Modelos ARCH univariantes y multivariantes

Alfonso Novales
Departamento de Economa Cuantitativa
Universidad Complutense
Septiembre 2013
Versin preliminar
No citar sinpermiso del autor
@Copyright 2013
Contents
1 Modelos ARCH 2
1.1 Propiedades estadsticas . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Primeras deniciones y propiedades. Momentos incondicionales . 4
1.2.1 Procesos con residuos ARCH . . . . . . . . . . . . . . . . 6
1.3 El modelo ARCH(q) . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.1 El modelo ARCH(1) . . . . . . . . . . . . . . . . . . . . . 8
1.3.2 Modelo AR(1)-ARCH(1) . . . . . . . . . . . . . . . . . . . 11
1.3.3 Modelos ARMA-ARCH . . . . . . . . . . . . . . . . . . . 12
1.3.4 El modelo ARCH(q) de regresin . . . . . . . . . . . . . . 13
1.4 Modelos GARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.1 Modelos GARCH(p,q) . . . . . . . . . . . . . . . . . . . . 13
1.4.2 El modelo GARCH(1,1) . . . . . . . . . . . . . . . . . . . 15
1.4.3 Modelo IGARCH . . . . . . . . . . . . . . . . . . . . . . . 16
1.5 Prediccin de la varianza futura . . . . . . . . . . . . . . . . . . . 17
1.5.1 Modelo ARCH(p) . . . . . . . . . . . . . . . . . . . . . . 17
1.5.2 Modelo AR(1)-ARCH(1) . . . . . . . . . . . . . . . . . . . 18
1.5.3 Modelo GARCH(1,1) . . . . . . . . . . . . . . . . . . . . . 18
1.6 Modelo EGARCH(p,q) . . . . . . . . . . . . . . . . . . . . . . . . 19
1.7 Otras especicaciones univariantes en la familia ARCH . . . . . . 21
1.8 Modelos ARCH en media (ARCH-M) . . . . . . . . . . . . . . . 26
1.9 Contrastes de estructura ARCH . . . . . . . . . . . . . . . . . . . 27
1.10 Contrastes de especicacin . . . . . . . . . . . . . . . . . . . . . 28
1.11 Estimacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.11.1 Imponiendo un nivel de volatilidad de largo plazo en la
estimacin: reversin a un nivel medio de volatilidad . . . 34
1.11.2 Estimacin por Cuasi-mxima verosimilitud . . . . . . . . 36
1.12 Contrastacin de hiptesis . . . . . . . . . . . . . . . . . . . . . . 39
1
1.13 Modelos de varianza condicional como aproximaciones a difusiones. 41
1.14 Modelos multivariantes . . . . . . . . . . . . . . . . . . . . . . . . 43
1.14.1 Factor GARCH models . . . . . . . . . . . . . . . . . . . 51
1.14.2 Orthogonal GARCH models . . . . . . . . . . . . . . . . . 51
1.15 Algunas aplicaciones de los modelos GARCH . . . . . . . . . . . 52
1.16 Modelos de varianza condicional y medidas de volatilidad . . . . 52
1.16.1 Canina, L. y S. Figlewski: The informational content of
implied volatility . . . . . . . . . . . . . . . . . . . . . . 53
1.16.2 Day, T.E. y C.M. Lewis, Forecasting futures market volatil-
ity, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
1.16.3 Day, T.E. y C.M. Lewis, Stock market volatility and the
information content of stock index options . . . . . . . . 55
1.16.4 Engle, R.F., y C. Mustafa: Implied ARCH models from
option prices: . . . . . . . . . . . . . . . . . . . . . . . . 56
1.16.5 Noh, J., R.F. Engle, y A. Kane, Forecasting volatility
and option prices of the S&P500 index . . . . . . . . . . 57
1.16.6 French, K.R., G.W. Schwert, y R.F. Stambaugh, Ex-
pected stock returns and volatility . . . . . . . . . . . . 58
1.17 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
1.17.1 Libros: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
1.17.2 Artculos: . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
1.17.3 1
o
Parte: Estructura temporal de volatilidades. Evidencia
emprica desde los mercados. . . . . . . . . . . . . . . . . 59
1.17.4 2
o
Parte: Transmisin de volatilidades entre mercados . . 59
1.17.5 3
o
Parte: Implicaciones para la cobertura de carteras. . . 59
1 Modelos ARCH
1.1 Propiedades estadsticas
Los modelos que hemos analizado hasta ahora mantenan el supuesto de que la
innovacin tiene una varianza constante en el tiempo, a pesar de que la esperanza
condicional es cambiante. Sin embargo, para agentes aversos al riesgo, que
toman sus decisiones en un rgimen de incertidumbre, la varianza condicional,
es decir, la varianza de la distribucin de los rendimientos en cada instante
futuro de tiempo, juega un papel de la mayor importancia. Este es el aspecto
que modelizamos en este captulo.
Los modelos ARCH aparecen en los aos 80 con el objeto de recoger los
episodios de agrupamiento temporal de volatilidad que suele observarse en las
series de rentabilidad de casi todo mercado nanciero. Desde entonces, su var-
iedad y su aplicacin prctica ha crecido de manera espectacular. En realidad,
hay precursores ms antiguos[Bachelier (1900) y Mandelbrot(1963,1967)], tra-
bajos en los que comenz a caracerizarse las propioedades estadsticas de los
precios de activos nancieros.
2
Las caractersticas ms relevantes de las series nancieras recogidas con fre-
cuencias elevadas [Ruiz (1994)], son:
1) ausencia de estructura regular dinmica en la media, lo que aparece re-
ejado en estadsticos Ljung-Box generalmente no signicativos,
2) distribuciones leptocrticas o exceso de curtosis,
3) suelen ser simtricas, aunque tambin se encuentran en algunos casos
coecientes de asimetra signicativamente distintos de cero,
4) agrupamiento de la volatilidad sobre intervalos de tiempo, lo cual se reeja
en funciones de autocorrelacin simple signicativas para los cuadrados de las
variables,
5) persistencia en volatilidad: los efectos de un shock en volatilidad tardan
un tiempo en desaparecer.
6) efecto apalancamiento: se observa una respuesta asimtrica de la volatil-
idad al nivel de los rendimientos, en el sentido de que
Muchos de estos efectos quedan recogidos en los modelos ARCH, GARCH,
EGARCH, que vamos a analizar. Estos modelos recogen en sus formulaciones
la idea de que existen agrupaciones de volatilidad, es decir, que fuertes uc-
tuaciones inesperadas en los mercados tienden a venir seguidas de perodos de
iguales caractersticas, mientras que perodos de estabilidad tienden a venir
seguidos de perodos asimismo estables. Los modelos de esta familia recogen
este comportamiento inercial en volatilidad a la vez que el comportamiento
dinmico, con autocorrelacin que suelen presentar las series nancieras.
Una de las contribuciones importantes de la literatura de procesos ARCH es
mostrar que las variaciones que aparentemente se producen en la volatilidad de
las series temporales econmicas pueden expliacrse mediante una determinada
forma de dependencia no lineal, que permite adems predecir dichos cambios
en volatilidad sin necesidad de recurrir a la modelizacin explcita de cambios
estructurales en la varianza.
Frente a estas observaciones empricas, frmulas de valoracin del tipo Black-
Scholes suponen una volatilidad constante para el precio del activo subyacente,
que permite dudicr la expresin analtica del precio terico de una opcin Euro-
pea sobre dicho activo. La frmula BS es utilizada habitualmente para deducir
de ella la volatilidad implcita, forzando el precio que de ella se deriva a coin-
cidri con el precio observado en el mercado. La volatilidad implcita as obtenida
se interpreta como el nivel de volatilidad vigente en el mercado desde el mo-
mento de inversin de la frmula BS hasta el vencimiento de la opcin. Sin
embargo, no siendo dicha volatilidad constante en el tiempo, es cuestionable la
interpretacin del valor numrico obtenido para la volatilidad implcita. Suele
interpretarse como una expectativa de mercado y en trminos del valor medio
de volatildad vigente para el perodo mencionado, pero tal interpretacin no
est justicada por el anlisis 1o.
Para poder proceder al estudio emprico de este tipo de modelos de varianza
condicional cambiante en datos reales, es preciso concretar antes la estructura
de las funciones de esperanza y varianza condicionales, lo que pasamos a hacer
a continuacin.
3
1.2 Primeras deniciones y propiedades. Momentos in-
condicionales
Los momentos de los procesos 1CH han sido analizados en Engel(1982), Mil-
hoj(1985), Bollerslev(1986) entre muchos otros. Para su clculo, es clave la ley
de iteracin de expectativas: dadas dos sigma-lgebras \
1
, \
2
, con \
1
_ \
2
y
una variable aleatoria escalar j, se tiene:
1 (j [ \
1
) = 1 [1 (j [ \
2
) [ \
1
[
En nuestro caso, las dos sigma-lgebras son las generadas por la historia
pasada de las variables del modelo, en dos instantes distintos de tiempo. un
caso particular de esta ley que resulta especialmente til es cuando \
1
= c,
pues entonces,
1 (j) = 1 [1 (j [ \
2
)[
que relaciona un moomento incondicional y un momento condicional.
Sea -
|
(0) un proceso estocstico, denido en tiempo discreto, cuyas es-
peranza y varianza condicionales dependen de un vector de parmetros 0, de
dimensin :. Sea 0
0
el verdadero valor de dicho vector de parmetros. Ini-
cialmente, consideramos que -
|
(0) es escalar, aunque la generalizacin al caso
multivariante es relativamente simple.
Denotamos por 1
|1
la esperanza matemtica condicional en la sigma-
lgebra \
|1
generada por las realizaciones pasadas de las variables observables
en el instante t1 o anteriores, que dene el conjunto de informacin disponible
en t 1.
Denition 1 Decimos que -
|
(0) sigue un proceso ARCH si su esperanza
condicional es igual a cero:
1
|1
-
|
(0
0
) = 0, t = 1, 2, 8, ...
y su varianza condicional,
/
2
|
(0
0
) = \ ar
|1
[-
|
(0
0
)[ = 1
|1
_
-
2
|
(0
0
)

= q (-
|1
, -
|2
, ...)
depende, en forma no trivial, del sigma-lgebra \
|1
generada por las ob-
servaciones pasadas. La notacin /
2
|
hace referencia al hecho de que trabajamos
con un segundo momento del proceso estocstico. Debe apreciarse que, a pesar
del subndice temporal, /
2
|
es una funcin de variables pertenecientes al instante
t 1 o anteriores.
La esperanza y varianza incondicionales del proceso -
|
(0
0
) son la esperanza
matemtica de los momentos anlogos condicionales,
1(-
|
) = 1 (1
|1
-
|
) = 0
\ ar (-
|
) = 1-
2
|
= 1
_
1
|1
-
2
|
_
= 1/
2
|
4
El proceso estandarizado:
.
|
(0
0
) =
-
|
(0
0
)
_
/
2
|
tendr esperanza condicional igual a cero, y varianza condicional igual a uno,
1
|1
.
|
(0
0
) = 0, t = 1, 2, 8, ...
\ ar
|1
[.
|
(0
0
)[ = \ ar
|1
_
-
|
(0
0
)
_
/
2
|
_
=
1
/
2
|
\ ar
|1
[-
|
(0
0
)[ = 1, t = 1, 2, 8, ...
Sus momentos incondicionales sern, por tanto, iguales a los momentos
condicionales, que son constantes:
1(-
|
) = 1 (1
|1
-
|
) = 0; \ ar [.
|
(0
0
)[ = 1, t = 1, 2, 8, ...
Por tanto, si bien la varianza condicional cambia en el tiempo, la varianza
incondicional es constante, por lo que el proceso 1CH es incondicionalmente
homocedstico. Hay que notar, adems, que la variable aleatoria .
|
(0
0
) es
independiente del pasado de -
|
(0
0
) , pues la presencia de
_
/
2
|
en su denicin
no hace sino reducir su varianza
1
a 1.
Si aadimos el supuesto de Normalidad condicional para -
|
, y suponemos
que la distribucin condicional de .
|
(0
0
) tiene momento de cuarto orden nito,
se tendr, por la desigualdad
2
de Jensen:
1
_
-
4
|
(0
0
)

= 1
_
.
4
|
(0
0
)

1
_
/
4
|
(0
0
)

_ 1
_
.
4
|
(0
0
)
_
1
_
/
2
|
(0
0
)
_
2
= 1
_
.
4
|
(0
0
)
_
1
_
-
2
|
(0
0
)
_
2
Por tanto, el coeciente de curtosis del proceso ARCH -
|
(0) ser,
1
_
-
4
|
_
[1 (-
2
|
)[
2
_ 1
_
.
4
|
_
= 8
y la desigualdad se cumplir como igualdad slo en el caso de una varianza
condicional constante. En caso contrario, si la distribucin de .
|
(0
0
) es Normal,
entonces la distribucin incondicional de -
|
ser leptocrtica.
Por otra parte, si la distribucin condicional de -
|
es Normal, se tiene para
todo entero impar : que 1 (-
n
|
(0
0
)) = 1 [1
|1
(-
n
|
(0
0
))[ = 1(0) = 0, por lo
que el coeciente de asimetra de -
|
es nulo. Al ser -
|
una variable aleatoria
continua, esto implica que su densidad es simtrica.
1
Alternativamente, podramos denir el proceso ARCH mediante,
jt = .tIt
con .t .(0, 1),independiente en el tiempo, y I
2
t
(0
0
) j (.
t1
, .
t2
, ...). Con esta no-
tacin, la armacin del texto equivaldra a decir que .t y It son independientes, como
claramente ocurre.
2
El lector puede comprobar la facilidad con que obtiene este resultado utilizando la notacin
propuesta en el pie de pgina previo.
5
1.2.1 Procesos con residuos ARCH
Aunque nos centremos en las propiedades del proceso -
|
(0), en general, ten-
dremos un proceso j
|
(0
0
), objeto de estudio, cuya esperanza condicional ser
una funcin de 0
0
,
1
|1
j
|
= j
|1
(0
0
)
En general, entendemos que j
|
representa el rendimiento ofrecido por un
activo nanciero, cuyo valor actual descomponemos mediante una identidad, en
dos componentes: a) el componente anticipado, j
|1
(0
0
) , que pudimos haber
previsto en base a informacin pasada, y b) la innovacin en el proceso de
rentabilidad. Es sta ltima la que se supone que tiene una estructura de tipo
ARCH.
Denotemos por -
|
(0
0
) el residuo de dicha relacin, o error de prediccin
un perodo hacia adelante,
j
|
= j
|1
(0
0
) -
|
(0
0
) =-
|
(0
0
) = j
|
j
|1
(0
0
)
que satisface,
1
|1
[-
|
(0
0
)[ = 0
y supongamos que tiene la estructura ARCH denida en (??).
Para el proceso j
|
tendremos,
1
|1
j
|
= j
|1
(0
0
) ,
\ ar
|1
j
|
= 1
|1
[j
|
1
|1
j
|
[
2
= 1
|1
[-
|
(0
0
)[
2
= \ ar
|1
[-
|
(0
0
)[ = /
2
|
por lo que su varianza condicional coincide con la de -
|
(0
0
) , mientras que
su varianza incondicional es,
\ ar(j
|
) = 1
_
/
2
|
_
En consecuencia, mientras que los momentos incondicionales son constantes
en el tiempo aunque, como veremos, pueden no existir, los momentos incondi-
cionales cambian a lo largo del tiempo. Un modelo ARCH consta de: a) una
ecuacin representando el modo en que la esperanza condicional del proceso
vara en el tiempo, b) una ecuacin mostrando el modo en que su varianza
condicional cambia en el tiempo, y c) una hiptesis acerca de la distribucin
que sigue la innovacin de la ecuacin que describe el proceso seguido por su
esperanza matemtica.
1.3 El modelo ARCH(q)
La estructura bsica de este modelo es,
6
j
|
= -
|
/
|
/
2
|
= c
0

j

I=1
c
I
j
2
|I
, c
0
0, c
I
_ 0,
j

I=1
c
I
_ 1
donde, una vez ms, suponemos que -
|
es un proceso ruido blanco, con
1(-
|
) = 0, \ ar(-
|
) = 1. Por simplicidad, estamos suponiendo asimismo que la
variable j
|
carece de autocorrelacin, as como de la imposibilidad de utilizar
otras variables que puedan explicar su evolucin temporal. En todo caso, la
escasa estructura dinmica que se observa en datos frecuentes de rentabilidades
de mercados nancieros justica la simplicidad en la especicacin de la ecuacin
de la media del proceso j
|
. Alternativamente, si el investigador detecta algunas
variables que pueden explicar el comportamiento de j
|
, posiblemente incluyendo
algunos retardos de la propia variable, entonces /
2
|
sera la varianza condicional
del trmino de error del modelo que explica el comportamiento de j
|
. Esto es lo
que haremos en algunos modelos analizados en las prximas secciones.
Aunque no son necesarias, las restricciones de signo de los coecientes de
la ecuacin de varianza garantizan que la varianza condicional ser positiva en
todos los perodos. En realidad, lo que necesitamos es que, una vez que el modelo
haya sido estimado, genere una serie de varianzas positiva, lo cual es compatible
con que alguno de los coecientes c
I
sean negativos. Esto debe tomarse como
un contraste de validez del modelo, que no sera aceptable si generase varianzas
estimadas negativas. Es preferible no imponer las restricciones en la estimacin
del modelo, y poder contrastar la propiedad del modo que hemos descrito, que
estimar bajo las restricciones de signo.
La restriccin sobre la suma de los coecientes de la ecuacin de varianza
garantiza que el proceso sea estacionario en varianza. Para ello, es necesario
que las races del polinomio caracterstico,
c
0
c
1
. c
2
.
2
... c
j
.
j
= 0
estn fuera del crculo unidad, es decir, tengan valor absoluto mayor que uno
o, si son complejas, mdulo mayor que la unidad. Cuando son no-negativas, ello
es equivalente a la condicin sobre su suma.
De acuerdo con este modelo, una sorpresa en j
|
importante en magnitud,
positiva o negativa, har que la varianza del proceso sea elevada durante un
cierto nmero de perodos.
Si, condicional en \
|1
, -
|
sigue una distribucin Normal, la distribucin
condicional de j
|
ser asimismo Normal, pues j
|
= -
|
_
c
0

j
I=1
c
I
j
2
|I
y el
componente dentro de la raz es conocido en t 1. Se tiene, adems,
\ ar (j
|
,j
|1
, j
|2
, ....) = 1
_
j
2
|
,j
|1
, j
|2
, ....
_
= c
0

j

I=1
c
I
j
2
|I
7
Por el contrario, su distribucin incondicional no es fcilmente caracterizable,
debido a la nolinealidad de la relacin entre j
|
y -
|
. De hecho al no seguir
incondicionalmente una distribucin Normal, no se tiene la equivalencia entre
ausencia de correlacin e independencia, como veremos en detalle en el caso del
modelo 1CH(1). Es fcil probar, sin embargo, que sus momentos de orden
impar son todos igual a cero, por lo que dicha distribucin es simtrica.
Deniendo
|
= j
2
|
/
2
|
, que cumple 1 (
|
) = 0, este proceso puede escribirse,
j
2
|
= c
0

j

I=1
c
I
j
2
|I

|
por lo que pasamos a tener un proceso AR(q) en el cuadrado de la variable a
explicar, j
|
, que podran ser los rendimientos que ofrece un determinado activo
nanciero. Esta es otra interpretacin del modelo ARCH() cuando no hay
estructura de variables explicativas en la ecuacin de la media del proceso.
La varianza incondicional de este proceso es,
o
2

= \ ar j
|
=
c
0
1

j
I=1
c
I
Aunque los sucesivos valores de j
|
estn incorrelacionados, no son indepen-
dientes, debido a la relacin que existe entre sus segundos momentos.
Para evitar trabajar con un elevado nmero de parmetros en ocasiones en
que se percibe una alta persistencia en volatilidad, suele utilizarse una repre-
sentacin,
/
2
|
= c
0
c
1
j

I=1
n
I
j
2
|I
, n
I
=
( 1) i
1
2
( 1)
,
j

I=1
n
I
= 1
Este es el modelo 1CH() restringido, introducido ya por Engle(1982). En
todo caso, la estructura lineal en los coecientes de los retardos en la ecuacin de
la varianza pude contrastarse, frente a la alternativa formada por una estructura
libre de coecientes, siguiendo los mtodos que describiremos ms adelante.
Taylor (1986) prueba que la funcin de autocorrelacin simple de j
2
|
cuando
el proceso j
|
tiene una estructura 1CH() presenta la misma conguracin
que la funcin de autocorrelacin simple de un proceso 1(), lo que puede
servir para detectar este tipo de estructura.
1.3.1 El modelo ARCH(1)
Un caso especialmente interesante surge cuando = 1, teniendo el modelo
1CH(1), que puede escribirse:
j
|
= -
|
/
|
= -
|
_
c
0
c
1
j
2
|1
siendo -
|
un proceso ruido blanco con varianza igual a 1.
Su esperanza y varianza condicionales son,
8
1
|1
j
|
=
_
_
c
0
c
1
j
2
|1
_
1
|1
(-
|
) = 0
\ ar
|1
(j
|
) = 1
|1
j
2
|
=
_
c
0
c
1
j
2
|1
_
1
|1
(-
2
|
) = c
0
c
1
j
2
|1
por lo que la varianza condicional vara, en funcin de la realizacin del
proceso j
|
.
La ley de iteracin de expectativas nos dice, 1 (-
|
) = 1 [1 (-
|
[ 1
|1
)[ , pero
como la especicacin del modelo incluye el supuesto 1 (-
|
[ \
|1
) = 0, se tiene
que 1 (-
|
) = 0, lo cual es cierto para todo modelo 1CH().
Al ser independiente en el tiempo, -
|
tambin es independiente de valores
pasados de j
|
, por lo que la esperanza y varianza marginal o incondicional de
j
|
son:
1 (j
|
) = 1
_
-
|
_
c
0
c
1
j
2
|1
_
= 1 (-
|
) 1
_
_
c
0
c
1
j
2
|1
_
= 0
\ ar (j
|
) = 1
_
j
2
|
_
= 1
_
-
2
|
_
1
_
c
0
c
1
j
2
|1
_
= c
0
c
1
1
_
j
2
|1
_
donde hemos utilizado nuevamente la independencia estadstica de -
|
e j
|1
.
Si [ c
1
[< 1, el proceso j
|
es estacionario, con 1
_
j
2
|
_
= 1
_
j
2
|1
_
, lo que
implica que,
\ ar (j
|
) =
c
0
1 c
1
que, a diferencia de lo que ocurre con la varianza incondicional, es constante
en el tiempo.
La autocovarianza de orden t, t _1 del proceso 1CH(1) es:
1 (j
|
j
|r
) = 1
_
-
|
_
c
0
c
1
j
2
|1
j
|r
_
= 1 (-
|
) 1
_
_
c
0
c
1
j
2
|1
j
|r
_
= 0
por lo que el proceso 1CH(1) no est autocorrelacionado, es decir, no
existen relaciones lineales entre sus valores en distintos instantes de tiempo.
Sin embargo, su cuadrado, j
2
|
, s est autocorrelacionado. Por ejemplo, su
autocovarianza de orden 1 es:

1
_
j
2
|
_
= 1
_
j
2
|
j
2
|1
_
= 1
__
j
2
|

c
0
1 c
1
__
j
2
|1

c
0
1 c
1
__
=
=
c
0
1 c
1
_
1j
2
|
1j
2
|1
_

_
c
0
1 c
1
_
2
1
_
j
2
|
j
2
|1
_
pero: j
2
|
= -
2
|
_
c
0
c
1
j
2
|1
_
, y ya hemos visto que: 1j
2
|
= c
0
c
1
1
_
j
2
|1
_
,
por lo que,
9

1
_
j
2
|
_
=
c
0
1 c
1
2
c
0
1 c
1

_
c
0
1 c
1
_
2
1
_
-
2
|
_
c
0
c
1
j
2
|1
_
j
2
|1

=
=
_
c
0
1 c
1
_
2

_
c
0
1
_
j
2
|1
_
c
1
1
_
j
4
|1
_
y de, hecho, puede probarse [Taylor (1986)] que la funcin de autocorrelacin
simple del cuadrado de un proceso 1CH() tiene las mismas caractersticas
que la funcin de autocorrelacin simple de un proceso 1().
Por otra parte, podemos repetir en este caso particular el anlisis que hicimos
antes para el caso general, acerca del momento de cuarto orden. La condicin
necesaria para la existencia del cuarto momento del proceso 1CH(1) es 3c
2
1
<
1.Bajo este supuesto, y aadiendo la hiptesis de Normalidad de -
|
, tenemos,
1(j
4
|
) = 1
_
-
4
|
_
c
0
c
1
j
2
|1
_
2
_
= 8
c
2
0
(1 c
1
)
1 8c
2
1
por lo que la autocovarianza de orden 1 de j
2
|
es:

1
_
j
2
|
_
=
2c
2
0
c
1
(1 c
1
)
2
(1 8c
2
1
)
que es no nula.
Bajo estos supuestos, la curtosis del proceso 1CH(1) es nita, e igual a:
Cnrto:i:(j
|
) =
1
_
j
4
|
_
1 (j
2
|
)
2
= 8
1 c
2
1
1 8c
2
1
siendo igual a innito en caso contrario. Si c
1
0, entonces la curtosis
es mayor que 3 y, por tanto, mayor que la de la distribucin (0, 1), por lo
que el proceso 1CH tiene colas ms gruesas que dicha distribucin. Esta es
una propiedad conocida de las series nancieras. Por otra parte, que el modelo
ARCH no imponga necesariamente una varianza nita es deseable en el sentido
de que esta debe ser una propiedad del verdadero proceso generador de datos
que aparezca en los resultados de la estimacin.
La ausencia de autocorrelacin del proceso 1CH le hace deseable para
la modelizacin de series temporales nancieras. La hiptesis de mercados
ecientes se describe en ocasiones como la incapacidad de predecir rentabil-
idades futuras a partir de rentabilidades pasadas. Si una rentabilidad r
|
es
un proceso 1CH puro (es decir, sin variables explicativas), entonces se tiene
1 (r
|
[ 1
|1
) = 1 (r
|
) = 0. Por tanto, la existencia de efectos 1CH no con-
tradice esta versin de la hiptesis de mercados ecientes.
La presencia de efectos 1CH no afecta, tericamente, a la prediccin de
valores futuros del proceso, aunque se gana eciencia y se obtienen estimaciones
puntuales distintas, una vez que se modelizan estos efectos. En cualquier caso,
el potencial de un modelo 1CH estriba en que proporciona una medida de
10
riesgo cambiante en el tiempo, que puede ser un input importante en otro tipo
de anlisis, como por ejemplo, si se quiere cuanticar la remuneracin que en
un determinado mercado se ofrece al riesgo que se asume en el mismo.
Sin embargo, este modelo es susceptible de provocar algunos problemas de
signo. En particular, los valores numricos de la serie temporal de volatilidad
/
2
|
que resultan del proceso de estimacin, deben ser todos positivos.
Como el proceso 1CH carece de autocorrelacin y tiene media cero, es
dbilmente estacionario si existe su varianza. Una propiedad notable de este
proceso es que puede no ser dbilmente estacionario (porque su varianza no
exista) y, sin embargo, ser estrictamente (o fuertemente) estacionario pues para
este ltimo concepto no es precisa la existencia de momentos.
1.3.2 Modelo AR(1)-ARCH(1)
Comencemos recordando el modelo 1(1) sin perturbaciones 1CH,
j
|
= cj
|1
-
|
, [ c [< 1
siendo -
|
un proceso ruido blanco, con 1 (-
|
) = 0, \ ar (-
|
) = o
2
:
. En este
modelo se tienen momentos condicionales,
1
|1
j
|
= cj
|1
,
\ ar
|1
j
|
= \ ar
|1
-
|
= o
2
:
mientras que los momentos incondicionales son,
1j
|
= 0,
\ ar (j
|
) =
o
2
:
1 c
2
Como puede verse, la expresin de la esperanza condicional recoge el hecho
de que es posible prever este proceso si se dispone de sus valores pasados. Como
consecuencia, la varianza condicional es inferior a la varianza incondicional.
Ms generalmente, el modelo 1(1) con perturbacin 1CH(1) es,
j
|
= cj
|1
-
|
, [ c [< 1
1
|1
-
|
= 0, \ ar
|1
-
|
= /
2
|
= c
0
c
1
-
2
|1
El supuesto [ c [< 1 garantiza que el proceso es estacionario en media. Su
varianza ser positiva en todos los perodos si restringimos los valores de los
parmetros mediante c
0
_ 0, c
1
_ 0.
La esperanza y varianza condicionales de j
|
son,
11
1
|1
j
|
= cj
|1
,
\ ar
|1
j
|
= \ ar
|1
-
|
= c
0
c
1
-
2
|1
= c
0
c
1
(j
|
cj
|1
)
2
La varianza incondicional es nita si c
1
< 1, y los momentos incondicionales,
son entonces,
1 j
|
= 0,
\ ar j
|
=
c
0
1 c
2
1
La varianza condicional puede escribirse,
/
2
|
o
2
= c
1
_
-
2
|1
o
2
_
de modo que la varianza condicional excede de la varianza incondicional
siempre que la inovacin (o sorpresa) al cuadra, es mayor que su esperanza
incondicional, o
2
.
Aunque las innovaciones estn incorrelacionadas a travs del tiempo, no son
independientes, puesto que estn relacionadas a travs de sus momentos de or-
den 2. Aunque j
|
sigue una distribucin condicional Normal, su distribucin
conjunta con valores en otros instantes de tiempo, no lo es. Tampoco su distribu-
cin de probabilidad incondicional o marginal es Normal, si bien ser simtrica,
si la distribucin de probabilidad condicional de -
|
lo es. Si -
|
tiene ua distribu-
cin condicional Normal, entonces su cuarto momento incondicional exceder
de 3o
4
, por lo que la distribucin marginal de -
|
tendr colas ms gruesas que
la Normal. Su momento de orden cuatro ser nito siempre que 8c
2
1
< 1.
En muchas aplicaciones empricas, el orden del modelo ARCH que es preciso
utilizar para recoger la dependencia temporal en la varianza es elevado, por lo
que es til considerar una representacin ms simple de este tipo de estructuras:
1.3.3 Modelos ARMA-ARCH
El anlisis anterior puede generalizarse a cualquier modelo univariante de se-
ries temporales de la familia ARIMA, en el que puede tener perfecto sentido
epecicar que la varianza del trmino de error es vcambiante en el tiempo. Por
ejemplo, el modelo 1(j) 1CH(:) es,
j
|
= c
1
j
|1
c
2
j
|2
... c

j
|
-
|
, [ c [< 1
1
|1
-
|
= 0, \ ar
|1
-
|
= /
2
|
= c
0
c
1
-
2
|1
c
2
-
2
|2
... c
n
-
2
|n
12
1.3.4 El modelo ARCH(q) de regresin
Consideremos un modelo dinmico de regresin lineal,
j
|
= r
0
|
, -
|
, t = 1, 2, ..., T
siendo r
|
un vector /r1 de variables explicativas que pueden incluir retardos
de la variable dependiente. El modelo 1CH de regresin especica, condi-
cional en las observaciones pasadas de la variable dependiente y de las variables
explicativas, el trmino de error del modelo anterior se distribuye,
-
|
[ \
|1
~ (0, /
2
|
)
siendo,
/
2
|
= c
0
c
1
-
2
|1
... c
j
-
2
|j
con c
I
_ 0,

j
I=1
c
I
_ 1, para asegurar que la varianza resultante sea posi-
tiva en todos los perodos. Como -
|1
= j
|1
r
0
|1
,, se tiene que /
2
|
es una
funcin de la informacin contenida en \
|1
. Una vez ms, al ser la varianza
condicional del perodo t una funcin creciente de la magnitud de las ltimas
innovaciones, se produce el clustering o agrupamiento temporal de volatilidades.
El orden de la representacin ARCH es un indicador de la persistencia de los
shocks en varianza.
En muchas aplicaciones empricas, el orden del modelo ARCH que es preciso
utilizar para recoger la dependencia temporal en la varianza es elevado, por lo
que es til considerar una representacin ms simple de este tipo de estructuras:
1.4 Modelos GARCH
Aunque en todos los modelos que se describen a continuacin suponemos que
las rentabilidades siguen una estructura ARCH/GARCH, es sobre su innovacin
sobre la que aplicaremos en la prctica el supuesto. Unicamente en el caso en que
la rentabilidad carezca de autocorrelacin, podemos hacer el supuesto GARCH
sobre la rentabilidad pues, salvo constantes, coincide con su innovacin.
1.4.1 Modelos GARCH(p,q)
En muchos casos, la especicacin 1CH que recoge la estructura de autocor-
relacin en varianza precisa de un elevado nmero de retardos. Para evitar que
el alto nmero de coefcientes en trminos autoregresivos, generalmente bastante
relacionados, produzca una importante prdida de precisin en su estimacin,
se ha propuesto una parametrizacin alternativa, restringida, dependiente de un
nmero reducido de parmetros. El modelo G1CH(j, ) de Bollerslev (1986)
es,
13
j
|
= -
|
/
|
/
2
|
= c
0

j

I=1
c
I
j
2
|I

I=1
,

/
2
|
, c
0
0, c
I
, ,

_ 0,
j

I=1
c
I

I=1
,

< 1
Las condiciones anteriores garantizan (si bien no son necesarias) que la vari-
anza condicional estimada sea positiva en todos los perodos. En realidad, Nel-
son y Cao (1992), mostraron condiciones ms dbiles que garantizan varianza
positiva en todos los perodos. por ejemplo, en un G1CH(1, 2), es suciente
que: c
0
0, c
1
_ 0, ,
1
_ 0, ,
1
c
1
c
2
_ 0. Este modelo puede transformarse
en un modelo 1CH de orden innito [Bera y Higgins, Volatility], restringido
en sus parmetros.
En la especicacin anterior hemos supuesto, nuevamente por simplicidad,
que j
|
carece de autocorrelacin, as como que no disponemos de variables
epclicativas para le esperanza condicional de dicho proceso. Los mismos co-
mentarios que hicimos acerca del modelo 1CH() aplican a este caso.
La esperanza matemtica del proceso G1CH(j, ) es cero, y su varianza,
\ ar j
|
=
c
0
1

j
I=1
c
I

I=1
,

=
c
0
1 c(1) ,(1)
y la distribucin es nuevamente leptocrtica e incondicionalmente homo-
cedstica.
Con la misma denicin de la inovacin que antes hicimos, tenemos, /
2
|
=
j
2
|

|
, y el proceso G1CH(j, ) puede escribirse,
j
2
|
= c
0
(c(1) , (1)) j
2
|1
, (1)
|1

|
o, lo que es lo mismo,
(1 c(1) , (1)) j
2
|
= c
0
(1 , (1))
|
y es necesario que todas las races del polinomio 1c(1) , (1) estn fuera
del crculo unidad para que el proceso sea estacionario. En tal caso, su varianza
incondicional ser nita, y estar dada por la expresin anterior.
El modelo G1CH(j, ) puede escribirse,
j
2
|
= c
0

:

I=1
_
c
I
,

_
j
2
|I

I=1
,

_
j
2
|
/
2
|
_

_
j
2
|
/
2
|
_
,
c
0
0, c
I
, ,

_ 0,
j

I=1
c
I

I=1
,

< 1
siendo r = max(j, ). Nuevamente, 1
_
j
2
|
/
2
|
_
= 0, por lo que puede con-
siderarse como la innovacin en la ecuacin anterior. En consecuencia, un mod-
elo G1CH(j, ) para la rentabilidad j
|
puede interpretarse como un modelo
14
1' para j
2
|
. Aunque su estimacin como tal proceso 1' sera ine-
ciente, sin embargo las expresiones habituales para la prediccin en modelos
1' son utilizables.
Examinemos el clculo del a varianza incondicional en el caso del proceso
G1CH(1, 1),
\ ar(-
|
) = 1
_
-
2
|
_
= 1
_
1
_
-
2
|
[ \
|1
_
= 1(/
2
|
) =
= c
0
c
1
1
_
-
2
|1
_
,
1
1
_
/
2
|1
_
= c
0
(c
1
,
1
) 1
_
-
2
|1
_
que es una ecuacin en diferencias en 1
_
-
2
|
_
que si converge, tiene como
lmite,
\ ar j
|
=
c
0
1 c
1
,
1
lo cual ocurre siempre y cuando c
1
,
1
< 1. En el caso general, la condicin
necesaria y suciente de existencia de la varianza incondicional es c(1), (1) =

j
I=1
c
I

I=1
,

< 1. Bollerslev(1986) proporciona condiciones analticas

sobre los parmetros del modelo para garantizar la existencia de momentos en
un proceso G1CH(j, ).
Si j
|
sigue un proceso G1CH(j, ), su cuadrado, j
2
|
tiene una funcin
de autocorrelacin simple anloga a la de un proceso 1'(j

, ), con j

=
maxj, , parmetros autoregresivos c
I
= c
I
,
I
, y parmetros de media
mvil, 0

= ,

, para , = 1, 2, ..., . Precisamente esta similitud con los modelos

1' hace que se utilicen tcnicas de identicacin para los modelos 1CH y
G1CH basadas en las funciones de autocorrelacin simple y parcial, del mismo
modo que se hace en el anlisis del tipo Box-Jenkins, pero esta vez utilizando
los cuadrados de los residuos. Sin embargo, la dependencia estadstica de los
procesos de varianza condicional hace que la estimacin de dichas funciones sea
poco eciente.
El modelo ms habitual dentro de esta clase es el G1CH(1, 1):
1.4.2 El modelo GARCH(1,1)
Este es un modelo de suavizado exponencial de la varianza, anlogo a los que
consideramos para la volatilidad condicional,
j
|
= -
|
/
|
/
2
|
= . cj
2
|1
,/
2
|1
con c 0, . 0, , _ 0, c , < 1.
En este modelo, la varianza condicional es,
\ ar
|1
j
|
= /
2
|
mientras que la varianza incondicional o de largo plazo, es:
15
\ ar j
|
=
.
1 c ,
Los retardos medio y mediano en /
2
|
son,
Io tardo :cdio =

1
I=1
ic
I

1
I=1
c
I
=
1
1 ,
Io tardo:cdia:o =
ln2
ln,
El modelo G1CH(1, 1) puede escribirse:
j
2
|
= . (c ,) j
2
|1
,
_
j
2
|1
/
2
|1
_

_
j
2
|
/
2
|
_
donde los dos ltimos trminos tienen esperanza condicional igual a cero,
por lo que este modelo es, en muchos aspectos, similar al modelo 1'(1, 1).
De hecho, el modo de identicar una estructura G1CH(1, 1) es porque las
funciones de autocorrelacin simple y parcial de los cuadrados de j
|
tengan el
aspecto de las funciones correspondientes a un proceso 1'(1, 1). La funcin
de autocorrelacin simple del proceso G1CH(1, 1) es:
j (1) = c
1 c, ,
2
1 2c, ,
2
j (/) = (c ,)
|1
j (1) , / 1
Como ocurra con el modelo 1CH(), aunque la distribucin condicional
de este proceso es Normal cuando lo es la innovacin -
|
, su distribucin incondi-
cional no es conocida. Sabemos, sin embargo, que su esperanza es cero y su
varianza viene dada por la expresin anterior. Es fcil probar que sus momen-
tos impares son nulos y, por tanto, la distribucin es simtrica. Adems, es
leptocrtica.
Si -
|
es Normal y ,
2
2c, 8c
2
< 1, entonces su coeciente de curtosis es:
Cnrto:i:(j
|
) = 8
6c
2
1 ,
2
2c, 8c
2
= 8
1 (c ,)
2
1 (c ,)
2
2c
2
1
8
si el denominador es positivo.
1.4.3 Modelo IGARCH
En algunas aplicaciones se tiene un valor de c(1) ,(1) muy cercano a la
unidad, lo que conduce al modelo G1CH(j, ) Integrado, denotado como
IGARCH(p,q) [Engle y Bollerslev (1986)]. En l, el polinomio autorregresivo
en la ecuacinde la varianza tiene una raz exactamente igual a 1. En el caso
particular j = 1, = 1, el modelo IGARCH puede escribirse:
16
j
|
= -
|
/
|
/
2
|
= . /
2
|1
c
_
j
2
|1
/
2
|1
_
, t = 1, 2, ...
lo que hace que un shock en la varianza condicional sea persistente, no
desapareciendo nunca su efecto, a diferencia de lo que ocurre en el modelo
G1CH(1, 1). Adems, la varianza no muestra reversin a la media, por lo que
transcurren perodos largos antes de que la varianza vuelva a tomar su valor
promedio. Esto es totalmente paralelo a la diferencia que existe entre modelos
1' y 11' en lo relativo a las respuestas a una innovacin transitoria.
El proceso puede escribirse tambin,
j
2
|
= . /
2
|1
c
_
j
2
|1
/
2
|1
_

_
j
2
|
/
2
|
_
, t = 1, 2, ...
Este proceso no es dbilmente estacionario, puesto que su varianza incondi-
cional no es nita. Sin embargo, si .0, el proceso es estrictamente estacionario
y ergdico [Nelson (1990)].
1.5 Prediccin de la varianza futura
En esta seccin desarrollamos epxresiones analticas para el clculo de la predic-
cin de la varianza /-perodos hacia el futuro.
1.5.1 Modelo ARCH(p)
Teniendo en cuenta la expresin de su varianza incondicional, el modelo 1CH()
puede representarse,
/
2
|
o
2

=
j

I=1
c
I
_
j
2
|I
o
2

_
,
por lo que,
1
|
/
2
|+1
= o
2

j1

I=0
c
I
_
j
2
|I
o
2

_
,
1
|
/
2
|+2
= o
2

c
1
_
j
2
|1
o
2

j1

I=2
c
I
_
j
2
|I
o
2

_
En general,
1
|
/
2
|+1
= o
2

j1

I=0
c
I
_
1
|
/
2
|I
o
2

_
,
donde 1
|
/
2
s
=

/
2
s
para : _ t, donde

/
2
s
denota el valor ajustado para la
varianza condicional en el perodo : en la estimacin del modelo ARCH.
17
1.5.2 Modelo AR(1)-ARCH(1)
Escribiendo la ecuacin que representa la evolucin temporal de j
|
en este mod-
elo en un instante de tiempo futuro, tenemos,
j
|+|
= c
|
j
|

|

I=1
c
|I
-
|+1
de modo que la prediccin ptima de la varianza condicional de j
|+|
en el
instante t es,
\ ar
|
j
|+|
= c
0
c
1
1
|
_
/
2
|+I1
o
2
_
= c
2
|1

I=0
o
2I
c
|1
1
_
/
2
|+1
o
2
_
|1

I=0
c
2I
c
I
1
que es claramente dependiente del conjunto de informacin disponible en el
instante t. Sin embargo, al aumentar el horizonte de prediccin, la dependencia
respecto de /
2
|+1
o
2
va reducindose, y la expresin de prediccin de la varianza
puede aproximarse por,
\ ar
|
j
|+|
= c
2
|1

I=0
o
2I
que es la expresin que utilizaramos para prever la varianza incondicional
en ausencia de estructura 1CH en la innovacin del proceso.
1.5.3 Modelo GARCH(1,1)
Mediante sucesivas iteraciones, es fcil probar [Engle y Bollerslev (1986)] que la
prediccin de la varianza que se deduce de un modelo G1CH(1, 1), a partir
de la prediccin un perodo hacia adelante, es:
1
T
/
2
T+1
= . cj
2
T
,/
T
1
T
/
2
T+|
= . (c ,)/
2
T+|1
=
.
1 c ,
(c ,)
|1
_
1
T
/
2
T+1

.
1 c ,
_
que converge, segn se aleja el horizonte de prediccin, a la varianza incondi-
cional,
.
1oo
.
Las predicciones de volatilidad que se obtienen de un modelo como ste
pueden utilizarse para valorar una opcin utilizando la frmula de Black-Scholes.
Para ello, una vez obtenidas las predicciones de la volatilidad diaria desde el
instante actual hasta el vencimiento de la opcin, obtendramos la volatilidad
media que, anualizada, utilizaramos en la expresin de Black-Scholes:
18
1
T t
T|

|=1
1
T
/
2
T+|
=
.
1 c ,

1
T t
T|

|=1
(c ,)
|1
_
1
T
/
2
T+1

.
1 c ,
_
=
=
.
1 c ,

_
1
T
/
2
T+1

.
1 c ,
_
1
T t
1 (c ,)
T|
1 c ,
En el modelo 1G1CH(1, 1), la prediccin de la varianza es:
1
|
/
2
|+|
= . (/ 1) /
2
|
1
|
/
2
|+|
= ./ cj
2
|
(1 c) /
2
|
que no converge a la varianza condicional, pues crece linealmente con el hor-
izonte de prediccin. De hecho, puede observarse en esta expresin que una
perturbacin en la varianza del instante T, incluso si resulta ser de carcter
transitorio, se extrapola a las predicciones de la volatilidad a todos los hor-
izontes.Sin embargo, Kleigbergen y Van Dijk (1993) han sugerido que, tanto
en el modelo GARCH como en el IGARCH, las predicciones de la varianza se
obtengan mediante simulacin del modelo. [FigureII.4.3]
1.6 Modelo EGARCH(p,q)
Los modelos anteriores recogen adecuadamente las propiedades de distribuciones
de colas gruesas, y de agrupamiento de volatilidades, pero son simtricos: en
ellos, la varianza condicional depende de la magnitud de las innovaciones re-
tardadas, pero no de su signo. Para recoger los efectos apalancamiento ob-
servados en series nancieras fue propuesto el modelo exponencial GARCH, o
1G1CH(j, ):
j
|
= -
|
/
|
ln/
2
|
= .
j

I=1
,
I
ln/
2
|I

=1
0

q (-
|
)
donde los -
|
tienen todos distribucin N(0,1), y carecen de correlacin serial,
y la funcin de respuesta asimtrica est denida por:
q (-) = c- c([ - [ 1 ([ - [)) ,
La estructura 1'(, j) de ln(/
2
|
) debe satisfacer las condiciones de esta-
cionariedad habituales en estos modelos. Generalmente, se utiliza en esta for-
mulacin la innovacin: -
|
= j
|
,/
|
, es decir, el error estandarizado, dividido
por su desviacin tpica condicional, donde j
|
ser generalmente la rentabilidad
19
del activo. En tal caso, 1 ([ - [) =
_
2
t
3
, por lo que la sucesin q (-
|
) es in-
dependiente en el tiempo, con esperanza cero y varianza constante, si es nita.
El modelo EGARCH, al estar especicado para el logaritmo de la varianzas, no
precisa de restricciones de signo para ninguno de sus parmetros.
Como caso particular, cuando es Normal, la ecuacin de la varianza en el
modelo 1G1CH(1, 1) es:
j
|
= -
|
/
|
ln/
2
|
= . , ln/
2
|1
c-
|1
c
_
[ -
|1
[
_
2,
_
que es un proceso estacionario si [ , [< 1, y tiene como varianza condicional,
\ ar
|1
j
|
= c
!
1
como puede verse tomando esperanzas en la ecuacin que dene el proceso.
La persistencia en volatilidad viene indicada por el parmetro ,, mientras
que c mide la magnitud del efecto apalancamiento. En este modelo se espera
que c < 0, lo que implicara que innovaciones negativas tuviesen un mayor
impacto sobre la volatilidad que innovaciones positivas de igual tamao. El
trmino en c-
|
permite la existencia de correlacin entre el trmino de error y
las varianzas condicionales futuras. Si, por ejemplo, c = 0 y c < 0, entonces
un -
|
negativo tendera a producir una innovacin positiva en el proceso de
varianza. Por ltimo, la innovacin en la varianza condicional es lineal en -
|
en dos segmentos a ambos lados del origen, con pendientes 0 (c c) cuando -
|
es positivo, y 0 (c c) cuando -
|
es negativo, lo que genera la asimetra en la
varianza condicional.
Por otra parte, la esperanza y varianza incondicionales o marginales pueden
aproximarse a partir de:
1
_
lnj
2
|
_
= 1, 27
.
1 ,
\ ar
_
lnj
2
|
_
=

2
2

c
2
c
2
_
1
2
t
_
1 ,
2
Las expresiones para la prediccin de la varianza : perodos hacia adelante
son bastante complejas [ver Ruiz (1994) o Nelson (1991)] para el caso del modelo
1G1CH(1, 0)]. [EII.4.4]
3
1 j .t j=
Z
1
1
j .t j
1
p
2
c
"
2
t
=2
o.t = 2
Z
1
0
1
p
2
c
u
o& =
= 2
1
p
2

c
u
t
j
1
0

=
r
2

where we have made the change of variable .

2
t
2 = &t
20
1.7 Otras especicaciones univariantes en la familia ARCH
En todas las especicaciones que siguen, mantenemos la hiptesis simplicadora
de que carecemos de variables epxlicativas para j
|
. En caso contrario, /
2
|
repre-
sentara la varianza condicional de -
|
, on de j
|
.
El modelo G1CH(1, 1) no recoge a plena satisfaccin las caracterstica
de asimetra y curtosis que se observan en series nancieras. Para resolver
el problema de la curtosis, suele utilizarse una distribucin t en lugar de una
distribucin Normal para las innovaciones. Por otra parte, existe una versin
asimtrica del modelo G1CH (Engle 1990, Review of Financial Studies), el
modelo G1CH, que trata de recoger de modo ms apropiado la asimetra
de las series nancieras.
El modelo G1CH(1, 1) es: [EII.4.3]
j
|
= -
|
/
|
/
2
|
= . c(j
|1
)
2
,/
2
|1
con . 0, c 0, , 0.
En este modelo, c < 0 signica que los shocks negativos sobre los rendimien-
tos incrementan ms la volatilidad condicional que los shocks positivos, lo que
constituye el efecto apalancamiento, que es habitual en los mercados nancieros
(Black (1976), Christie (1982)), para lo que tambin fueron propuestos otros
modelos asimtricos que consideramos en esta seccin.
La prediccin de volatilidad a partir del modelo AGARCH es:
1
T
/
2
T+1
= . c(j
T
`)
2
,/
2
T
1
T
/
2
T+s+1
=
_
. `
2
c
_
(c ,) /
2
T+s
con volatilidad de largo plazo:

/
2
|
=
. `
2
c
1 (c ,)
y prediccin de volatilidad:
1
T
/
2
T+1
= . c(-
2
T

`)
2

,/
2
T
1
T
/
2
T+s
=
_
.

`
2
c
_

_
c

,
_
1
T
/
2
T+s1
y se puede imponer un nivel de volatilidad de largo plazo mediante:
/
2
|

/
2
= c
_
(j
|1
)
2

/
2

2
_
,
_
/
2
|1

/
2
_
/
2
|
= c
_
(j
|1
)
2

/
2

2
_

_
,/
2
|1
(1 ,)

/
2
_
21
Taylor (1986) y Schwert (1989a,b) han propuesto que sea la desviacin tpica
quien dependa del valor absoluto de los residuos:
j
|
= -
|
/
|
/
2
|
= c
0

j

I=1
c
I
[ -
|I
[

I=1
,

/
2
|
, c
0
0, c
I
, ,

_ 0,
j

I=1
c
I

I=1
,

< 1
Alternativamente, Higgins y Bera (1992) han propuesto una clase de modelos
ms general, denominada 1CH (Non-linear 1CH):
j
|
= -
|
/
|
/
~
|
= c
0

j

I=1
c
I
[ -
|I
[
~

I=1
,

/
~
|
, c
0
0, c
I
, ,

_ 0,
j

I=1
c
I

I=1
,

< 1
que, para =1, genera el modelo anterior.
Si este modelo se modica para pasar a:
j
|
= -
|
/
|
/
~
|
= c
0

j

I=1
c
I
[ -
|I
/ [
~

I=1
,

/
~
|
, c
0
0, c
I
, ,

_ 0,
j

I=1
c
I

I=1
,

< 1
para alguna constante no nula /, las innovaciones en t dependern del
tamao, pero tambin del signo, de las innovaciones pasadas.
La formulacin del modelo NARCH con =2 es un caso especial del modelo
ARCH Cuadrtico(QARCH) con = 1, j = 1, introducido por Sentana (1991),
en el que la varianza condicional se modeliza a travs de una forma cuadrtica
de las innovaciones retardadas:
j
|
= -
|
/
|
/
2
|
= . cj
2
|1
,j
|1
,
que, con el objeto de garantizar la no-negatividad de la varianza condicional,
puede escribirse en funcin de parmetros /, c, d, tales que:
c
1
= d 0; . = /
2
d c 0; , = 2/d ? 0
por lo que eligiendo c 0, d 0 se garantiza c
1
0, . 0, mientras que ,
tendr el mismo signo que /.
La varianza incondicional derivada de este modelo se obtiene tomando es-
peranzas en la ecuacin de /
2
|
, teniendo:
1/
2
|
= . c1j
2
|1
,1j
|1
22
que implica,
\ ar(j
|
) = . c\ ar (j
|1
)
ya que 1j
|1
= 0. Suponiendo estacionariedad, llegamos a,
\ ar j
|
=
.
1 c
El modelo Q1CH(1, 1) puede generalizarse al modelo GQ1CH(1, 1),
que recoge bastante apropiadamente las caractersticas de volatilidad de los
rendimientos nancieros:
j
|
= -
|
/
|
/
2
|
= . cj
2
|1
0j
|1
,/
2
|1
,
que comprende como caso particular al modelo G1CH(1, 1) cuando 0 = 0.
La varianza incondicional que se deriva de este modelo es igual a la del modelo
G1CH(1, 1),
\ ar j
|
=
.
1 c ,
Ambos modelos generan una asimetra igual a cero. Genera una mayor
curtosis el modelo generalizado GQ1CH(1, 1).
Una versin sencilla de dicho modelo es el 1CH a:i: ctrico (1CH)
[Engle (1990)], siendo el modelo 1CH(1,1):
/
2
|
= . cj
2
|1
0j
|1
,/
2
|1
,
donde un valor negativo de signica que rendimientos positivos incrementan
la volatilidad menos que rendimientos negativos (apalancamiento).
Otra especicacin es el modelo Non-linear asymmetric GARCH, o NA-
GARCH. El modelo G1CH(1, 1) es
/
2
|
= . c
_
-
|1

_
/
|1
_
0-
|1
,/
2
|1
,
Un ltimo modo de introducir efectos asimtricos es a travs de la especi-
cacin:
/
~
|
= .
j

I=1
_
c
+
I
1 (-
|I
0) [ -
|I
[
~
c

I
1 (-
|I
_ 0) [ -
|I
[
~

=1
,

/
~
|
donde 1 denota una funcin indicatriz que toma el valor 1 cuando se da
la condicin que aparece dentro del parntesis, y toma el valor cero en caso
contrario.
23
El modelo T/rc:/o|d 1CH (T1CH) [Zakoian (1990)] corresponde al
caso =1,
/
|
= .
j

I=1
_
c
+
I
1 (-
|I
0) [ -
|I
[ c

I
1 (-
|I
_ 0) [ -
|I
[

=1
,

/
|
Modelo GJR: Glosten, Jagannathan y Runkle (1993) proponen trabajar con
= 2. Su modelo, conocido por sus iniciales, GJ1, permite una respuesta
cuadrtica de la volatilidad a las sorpresas recibidas en el mercado, con distintos
coecientes para las malas noticias y para las buenas noticias, a la vez que
mantiene la hiptesis de que la menor volatilidad se alcanzar cuando no haya
sorpresas,
/
2
|
= .
j

I=1
_
c
+
I
1 (-
|I
0) -
2
|I
c

I
1 (-
|I
_ 0) -
2
|I

=1
,

/
2
|
En realidad, no es preciso incluir las dos variables indicadores, pudiendo
utilizarse,
/
2
|
= .
j

I=1
_
c
I
-
2
|I
c

I
1 (-
|I
_ 0) -
2
|I

=1
,

/
2
|
Los parmetros c no son los mismos en ambos modelos, si bien existe una
relacin entre ambos. En el primer caso, c
+
I
mide el efecto de una innovacin
pasada negativa, mientras c

I
mide el efecto de una innovacin pasada positiva;
en el segundo caso, el efecto de una innovacin pasada negativa es c
I
c

I
mientras que el de una innovacin positiva es c
I
. Un valor positivo de c

I
en esta
representacin indicara que una innovacin negativa genera mayor volatilidad
que una innovacin positiva de igual tamao, y la interpretacin contraria se
tendra para un valor negativo de c

I
.
En el caso = j = 1, se tendra, con esta segunda formulacin,
/
2
|
= . (c 1
|1
) -
2
|1
,/
2
|1
donde el signo del parmetro es libre mientras que . 0, c, , _ 0, [ver
Engle y Ng (19xx)], y la variable cticia 1
|
se dene igual a 1 si -
|
< 0, e igual
a cero en caso contrario. La varianza incondicional de este proceso es,
\ ar j
|
=
.
1 c , ,2
La prediccin de volatilidad a partir del modelo GJR es:
1
T
/
T+1
= . c-
2
T
1
T
-
2
T
,/
T
1
T
/
T+s+1
= .
_
c ,
1
2

_
/
T+s
24
Este modelo incluye como caso particular al modelo G1CH(1, 1) cuando
=0. Cuando ,= 0, el modelo explica posibles asimetras en la varianza de j
|
:
valores positivos de los parmetros c

I
implican mayores respuestas de la volatili-
dad ante innovaciones negativas (malas noticias) que ante innovaciones positivas
(buenas noticias), mientras que lo contrario ocurre para valores negativos de los
parmetros c

I
. Sin embargo, en mercados de renta ja, la interpretacin de
buenas y malas noticias es la opuestas, por lo que cabra esperar coecientes c

I
positivos.
Una representacin bastante genrica, propuesta por Henstchel (1995), es,
/
X
|
1
`
= .
j

I=1
c
I
/
|1
[) (-
|I
)[
i

I=1
,
I
/
X
|1
1
`
) (-
|I
) = [ -
|
/ [ c (-
|
/)
en la que se sustituye
|

t
1
X
por ln/
|
cuando ` = 0. De esta formulacin
pueden obtenerse muchas especicaciones como casos particulares. As,
` = i = 2 y / = c = 0 =G1CH
` = i = 2 y / = 0 =GJ1 G1CH
` = i = 1 y / = 0, [ c [_ 1 =T1CH
` = i = 1, [ c [_ 1 =G1CH
` = 0, i = 1 y / = 0 =1G1CH
` = i ,= 0 y / = c = 0 =1CH
` = i = 2 y c = 0 =G1CH
` = i ,= 0 y c = 0 =o: |i:car G1CH [1:q|c q(1008)[
` = i ,= 0 y / = 0, [ c [_ 1 =11CH(:j::ctric 1oncr rc/)[1i:q ct a|(1008)[
Otros dos modelos propuestos recientemente son el otrnctnra| 1CH (oT1CH),
de Harvey, Ruiz y Sentana (1992), y el onitc/i:q 1CH (o\1CH) [Cai,
Journal of Business and Economic Statistics (1994)], que postula que la variable
en estudio se ajusta a una variedad de modelos ARCH, entre los cuales se mueve
de acuerdo con la estructura de una cadena de Markov, lo cual puede ser til
para recoger episodios como el hundimiento de los mercados de valores obser-
vados en octubre de 1987 y agosto de 1998 [Campbell y Harrtschell, Journal of
Financial Economics (1992)].
25
1.8 Modelos ARCH en media (ARCH-M)
Por ltimo, en todos estos modelos pueden introducirse medias no nulas, lo que
conduce a los modelos ARCH de regresin. Para ello, la primera ecuacin se
substituye por,
j
|
= j
|
n
|
= r
0
|
, n
|
n
|
= -
|
/
|
En particular, resulta de gran inters contrastar si, cuando j
|
es la rentabil-
idad de un activo o mercado, una de las potenciales variables explicativas r
|
es precisamente la varianza condicional o la desviacin tpica condicional esti-
madas, /
|
, con coeciente positivo, lo que sugerira que la rentabilidad del activo
aumenta con el nivel de riesgo que impone al inversor.
En tal caso, tenemos los modelos denominados en media: ARCH-M y
GARCH-M o sus variantes [Engle, Lilien, Roobins (1987)], en los que una vari-
able explicativa es /
2
|
, o /
|
. La presencia de esta variable introducir auto-
correlacin en el proceso de rentabilidades, j
|
, a diferencia de los procesos sin
estructura en media que hemos analizado en las secciones precedentes.
En general, estos modelos son del tipo,
j
|
(0) =
0
cq
_
/
2
|
(0) , 0
_
o,
j
|
(0) = r
0
|
, cq
_
/
2
|
(0) , 0
_
donde suponemos que q es una funcin montona de la varianza condicional,
con q (c, 0) = 0, es decir, que la funcin es no nula unicamente si la varianza
condicional es cambiante en el tiempo.
La interpretacin del trmino cq
_
/
2
|
(0) , 0
_
es de una prima de riesgo, por la
que un incremento en la varianza de la rentabilidad conduce a un aumento en la
rentabilidad esperada. La posible existencia de tales primas en los mercados de
divisas, as como en la formacin de la estructura temporal de tipos de inters
ha sido y es motivo de un amplio nmeor de estudios.
Para analizar las propiedades de este tipo de modelos, consideremos una
versin sencilla,
j
|
= c/
2
|
-
|
, co: -
|
[ \
|1
~ (0, /
2
|
)
/
2
|
= c
0
c
1
-
2
|1
que permite escribir,
j
|
= cc
0
cc
1
-
2
|1
-
|
donde -
|
es un proceso 1CH(1). A partir de esta expresin, utilizando
1
_
-
2
|1
_
= c
0
, (1 c
1
) , se tiene,
26
1 (j
|
) = c
c
0
1 c
1
que puede interpretarse como la esperanza incondicional de la rentabilidad
de mantener un activo con riesgo.
De modo anlogo, tenemos,
\ ar (j
|
) =
c
0
1 c
1

(cc
1
)
2
2c
2
0
(1 c
1
)
2
(1 8c
2
1
)
(1)
Si no hay prima por riesgo, tendramos: \ ar (j
|
) = c
0
, (1 c
1
) . Por tanto,
el segundo componente en (1) indica la presencia de una prima de riesgo, que
hace que la dispersin de j
|
aumente. Finalmente, el efecto ARCH-en media
introduce autocorrelacin en j
|
, puesto que, n el caso del modelo,
j
|
= c/
|
-
|
, co: -
|
[ \
|1
~ (0, /
2
|
)
/
2
|
= c
0
c
1
-
2
|1
se tienen los coecientes de autocorrelacin,
j
1
= Corr(j
|
, j
|1
) =
2c
3
1
c
2
c
0
2c
2
1
c
2
c
0
(1 c
1
) (1 8c
2
1
)
j
|
= Corr(j
|
, j
||
) = c
|1
1
j
1
, / = 2, 8, ....
Examinando las expresiones de j
1
y j
2
se aprecia que la regin admisible
para (j
1
, j
2
) es muy restrictiva.
En aplicaciones prcticas, las funciones ms utilizadas son: q
_
/
2
|
_
= /
2
|
, q
_
/
2
|
_
=
_
/
2
|
, q
_
/
2
|
_
= ln
_
/
2
|
_
.
Bollerslev, Engle y Woolridge (1988) consideraron la versin multivariante
de este modelo en el contexto del modelo de valoracin de activos, CAPM.
1.9 Contrastes de estructura ARCH
Dada una relacin del tipo: j
|
= r
|
, -
|
,el contraste de los Multiplicadores de
Lagrange (ML) propuesto por Engle (1982) considera la hiptesis nula:
-
|
[ \
|1
~ (0, o
2
)
donde 1
|
denota la informacin disponible en el instante t, y siendo r
|
un
vector de variables debilmente exgenas, o retardos de la variable dependiente.
El inters de un contraste del tipo de los Multiplicadores de Lagrange ('1)
reside en que, como es conocido, requiere nicamente la estimacin del modelo
restringido y, en este caso, la estimacin del modelo bajo la hiptesis nula es muy
simple. La hiptesis alternativa es que los residuos tienen una estructura de tipo
1CH(). Engle (1984) prob que T veces el 1
2
de la regresin del cuadrado de
los residuos obtenidos bajo la hiptesis nula, -
2
|
, sobre una constante y retardos
27
de los propios residuos al cuadrado, -
2
|1
, -
2
|2
, ..., -
2
|j
sigue, bajo la hiptesis
nula, una distribucin chi-cuadrado, con un nmero de grados de libertad igual
al nmero de retardos incluidos en dicha regresin auxiliar, . La intuicin del
contraste es bastante evidente: si la varianza de la perturbacin es constante,
entonces no podr ser prevista a partir de los valores de los residuos pasados,
cuyas uctuaciones sern puramente aleatorias. Si, por el contrario, hay efectos
ARCH, residuos recientes de elevado valor absoluto tendern a sugerir un residuo
corriente de elevada magnitud. Existe capacidad predictiva en la magnitud de
los residuos pasados acerca de la magnitud de los residuos futuros. Dicho de
otro modo, el valor absoluto del residuo mostrar autocorrelacin temporal.
Sin embargo, la posible omisin de un regresor en el modelo de la media
condicional, as como no tener en cuenta alguna no-linealidad o cierta autocor-
relacin, conducira a un rechazo de la hiptesis nula, sugiriendo la presencia de
estructura 1CH, incluso si sta no existe, disminuyendo con ello el tamao
del contraste. Otra forma de llevar a cabo este contraste consiste en excluir la
constante de la regresin auxiliar, restar una estimacin de la varianza incondi-
cional de la variable dependiente o
2
, y utilizar la mitad de la Suma Residual
(suma de cuadrados de residuos) como estadstico de contraste. Otra posibili-
dad es un contraste del tipo portmanteau, como el de Ljung y Box (1978), para
-
2
|
.
Como los parmetros del modelo 1CH() deben ser positivos, el contraste
debera ser de una cola, aunque para un orden superior a 1, no es sencilla
su puesta en prctica [Demos y Sentana (1991)]. Otra dicultad es que el
contraste ML no tiene siempre mucha potencia cuando la alternativa es el modelo
G1CH(1, 1), debido a la imposibilidad de identicar c
1
y ,
1
por separado
cuando el modelo GARCH es prximo al modelo incluido en H
0
., De hecho,
el contrate ML para G1CH(1, 1) es idntico al correspondiente al modelo
1CH(1), y algo similar ocurre para cualquier modelo G1CH(j, ). Por
otra parte, no es vlido utilizar un test de Wald en el modelo G1CH(1, 1),
que se basara en el ratio t del coeciente c
1
pues, en presencia de estructura
ARCH, dicho estadstico no sigue una distribucin t de Student. El contraste
RV tiene la dicultad de que la distribucin del estadstico bajo la hiptesis
nula no es fcil de caracterizar, pero parece ser muy potente.
Por ltimo, un contraste til es el de insesgadez de las previsiones de volatil-
idad generadas por el modelo, para lo que se estima por mnimos cuadrados
una regresin de j
2
|
sobre las varainzas /
2
|
, en la que se esperara encontrar una
pendiente igual a 1 y una ordenda en el origen no signicativa. Desviaciones de
esta hiptesis conjunta pueden indicar preblemas de especicacin en el modelo
de la varianza condicional [Pagan y Schwert (1990)].
1.10 Contrastes de especicacin
Los contrastes de Normalidad de la innovacin -
|
pueden basarse en los residuos
normalizados, una vez estimada la serie temporal de las varianzas condicionales.
Tests habituales son: Jarque-Bera y Kolmogorov-Smirnov. Tambin puede pen-
sarse en un contraste mediante la
2
de Pearson.
28
La ausencia de sesgo en las estimaciones puede contrastarse mediante una
regresin del cuadrado de la variable sobre una constante y las estimaciones de
la varianza [Pagan y Schwert (1990)],
j
2
|
= /
0
/
1
1
|1
j
2
|
Bajo una correcta especicacin, los residuos de esta regresin no deberan
presentar autocorrelacin. Como las predicciones de la volatilidad un perodo
hacia adelante deberan ser insesgadas, puede contrastarse la hiptesis nula:
H
0
: /
0
= 0, /
1
= 1. Adems, el 1
2
de esta regresin puede utilizarse como una
medida de bondad de ajuste.
Para poner en prctica las posibles desviaciones de Normalidad que puedan
detectarse, se ha propuesto sustituir el supuesto de Normalidad en la estimacin
de Mxima Verosimilitud por las distribuciones t de Student, la distribucin
estndar generalizada (11G), que incluye a la anterior como caso particular, y
la distribucin t generalizada, que incluye a ambas.
En general, los contrastes a llevar a cabo consisten en:
a) contrastes de existencia de autocorrelacin en media en los errores del
modelo mediante tcnicas Box-Jenkins,
b) contrastes de existencia de efectos 1CH no modelizados mediante
tcnicas Box-Jenkins aplicadas a los cuadrados de los residuos del modelo
de la media,
c) contrastes tipo Wald y de razn de verosimilitudes sobre la especi-
cacin de la ecuacin de la media,
d) contrastes de efectos asimtricos en la ecuacin de la varianza, mediante
el uso de variables cticias de signo,
e) contrastes de variables omitidas en la ecuacin de la varianza,
f) contraste de posible existencia de efectos ARCH en media.
La familia de estadsticos Ljung-Box para el contraste de autocorrelacin
puede utilizarse tanto sobre los errores como sobre sus cuadrados (en este ltimo
caso como contraste de estructura ARCH). Su forma es,
Q(/) = T
|

I=1
T 2
T i
j
2
I
siento j
I
el coeciente de autocorrelacin de orden i. Bajo la hiptesis nula,
Q(/) se distribuye como una chi-cuadrado con / grados de libertad.
Un contraste usualmente potente es el de los Multiplicadores de Lagrange,
que utiliza una regresin de los residuos al cuadrado sobre una constante y sus /
primeros retardos. El producto del tamao muestral por el 1
2
de dicha regresin
se distribuye como una
2
con / grados de libertad. Sin embargo, este contraste
no permite discriminar entre estructuras 1CH y G1CH.
29
Estos contrastes se utilizan asimismo para evaluar un modelo ARCH ya
estimado. En ese caso, hay que utilizar, lgicamente, los residuos de la ecuacin
de la media, estandarizados por la desviacin tpica condicional estimada, /
|
.
Los contrastes tipo Wald para variables omitidas consisten en estimar el
modelo ms general, y contrastar la signicacin conjunta de los parmetros que
distinguen el modelo restringido del modelo general. El contraste de razn de
verosimilitudes estima ambos modelos: restringido y sin restringir, y compara
la signicatividad de la diferencia en los logaritmos de los mximos valores
alcanzados por la funcin de verosimilitud en ambos casos. Para ello, se utiliza
el resultado:
1\ = 2 (ln1
1
ln1
S1
)
se distribuye asintticamente, bajo la hiptesis nula, como una
2
con un
nmero de grados de libertad igual al nmero de restricciones que se contrastan.
Para el contraste de asimetras se utilizan los contrastes de signo propp-
puestos por Engle y Ng (1993): Deniendo unas variables cticias o

|1
que
toma el valor 1 si el residuo del perodo anterior -
|1
fue negativo, y el valor
cero en caso contrario, y o
+
|1
,que toma el valor 1 si el residuo del perodo an-
terior -
|1
fue positivo, y el valor cero en caso contrario, y deniendo el residuo
estandarizado .
|
(0) =
:t(0)
|t(0)
se estiman las regresiones,
Modelo I:
.
2
|
= ,
0
,
1
o

|1
H
0
: ,
1
= 0,
Modelo II:
.
2
|
= ,
0
,
1
o

|1
-
|1
H
0
: ,
1
= 0,
Modelo III:
.
2
|
= ,
0
,
1
o
+
|1
-
|1
H
0
: ,
1
= 0,
Modelo IV:
.
2
|
= ,
0
,
1
o

|1
,
2
o
+
|1
-
|1
,
3
o

|1
-
|1
H
0
: ,
1
= ,
2
= ,
3
= 0,
utilizando un estadstico tipo t en los tres primeros casos, y un estadstico
tipo 1 en el ltimo caso. Dada la posible existencia de autocorrelacin y het-
erocedasticidad residual en los residuos estandarizados, dede utilizarse en los
30
contrastes las varianzas de los parmetros estimadas del modo propuesto por
Newey-West, que resultan robustas a la presencia de estos dos efectos.
Las correlaciones entre los residuos estandarizados y sus cuadrados pueden
sugerir asimismo posibles asimetras, y se utilizan a tal n.
1.11 Estimacin
[EII.4.1] [FigureII.4.2] [Ch3.5]
La estimacin se lleva a cabo, generalmente, por mxima verosimilitud, para
lo que suponemos una determinada densidad )(.
|
(0) , j) para el trmino de error
tipicado,
.
|
(0) =
-
|
(0)
/
|
(0)
=
j
|
j
|
(0)
[/
2
|
(0)[
1/2
que tiene esperanza cero y varianza uno. Dado un vector de observaciones
j
1
, j
2
, ..., j
T
, el logaritmo de la funcin de verosimilitud para la observacin t
es:
|
|
(j
|
; j) = ln
_
)(.
|
(0) , j)
1
2
ln
_
/
2
|
(0)
_
_
donde el ltimo trmino es el Jacobiano de la transformacin que pasa de
las innovaciones estandarizadas a las observaciones muestrales, que en el caso
multivariante se convertir en:
|
|
(j
|
; j) = ln
_
)
_
-
|
(0) [I
|
(0)[
1
; j
__

1
2
ln [
|
(0) [
donde I es una matriz no singular, de igual dimensin que , tal que II
0
=
. Es bien sabido que para toda matriz denida positiva existe tal matriz
I. Si la matriz es diagonal, aunque con elementos diferentes a lo largo de la
diagonal principal, entonces I es la matriz diagonal que tiene por elementos la
raiz cuadrada de los elementos en la diagonal de . Como los elementos de esta
ltima, los /
2
|
(0) son todos positivos, no hay ninguna dicultad en este tipo de
clculo.
Por otra parte, utilizando un argumento estndar para la descomposicin
del error de prediccin, la funcin de verosimilitud para la muestra completa
puede escribirse como la suma de los logaritmos de la funcin de verosimilitud
condicional:
1
T
(j
1
, j
2
, ..., j
T
) =
T

|=1
|
|
(j
|
; c) (2)
cuya maximizacin generar estimadores de MV de los parmetros del mod-
elo, c = (0, j) .
Si la funcin de densidad condicional y las funciones que recogen los modelos
de la media y la varianza son diferenciables, el estimador de MV se obtiene
resolviendo el sistema de :/ ecuaciones:
31
o
T
(j
1
, j
2
, ..., j
T
; c) =
T

|=1
:
|
(j
|
; c) = 0 (3)
donde :
|
(j
|
; c) = \
r
|
|
(j
|
; c) es el vector score correspondiente a la obser-
vacin t. Si denotamos por )
0
(.
|
(0) ; j) la derivada parcial de la funcin )
respecto de su primer argumento, tendremos,
\
0
|
|
(j
|
; c) =
)
0
(.
|
(0) ; j)
) (.
|
(0) ; j)
\
0
.
|
(0)
1
2
\
0
/
2
|
(0)
/
2
|
(0)
expresin en la que hay que incorporar:
\
0
.
|
(0) =
\
0
-
|
(0)
_
/
2
|
(0)

1
2
-
|
(0)
\
0
/
2
|
(0)
[/
2
|
(0)[
3/2
y la resolucin del conjunto de :/ ecuaciones (8) habr de ser numrica.
Para proceder con la estimacin MV hay que establecer una determinada
hiptesis acerca del tipo de distribucin que sigue la innovacin. Si se considera
que obedece a una distribucin Normal, tenemos:
) (.
|
(0)) =
1
_
2
oxp
_

.
|
(0)
2
2
_
=
1
_
2
oxp
_

1
2
(j
|
j
|
(0))
2
_
En este caso, como la distribucin est totalmente determinada por sus dos
primeros momentos, slo la media y varianza condicionales aparecen en la fun-
cin de verosimilitud (2) , por lo que c = 0, y la funcin score adopta la forma:
:
|
(j
|
; 0) = \
0
j
|
(0)
-
|
(0)
_
/
2
|
(0)

1
2
\
0
/
2
|
(0)
_
/
2
|
(0)
_
-
|
(0)
2
/
2
|
(0)
1
_
En este caso, puede probarse [Hamilton (1994)] que la expresin analtica
del score es,
:
|
(j
|
; 0) =
-
|
(0)
2
/
2
|
(0)
2 [/
2
|
(0)[
2
_

_
2

n
=1
c

-
|
r
|
1
-
2
|1
...
-
2
|n
_

_
r
|
-
|
,/
2
|
0
n+1
_
donde ambos vectores columna tienen dimensin r1, siendo = / :1,
con / el nmero de variables explicativas en el modelo de la media, y : el
nmero de retardos del modelo 1CH(:).
El gradiente de la funcin de verosimilitud puede entonces expresarse analti-
camente como la suma de los scores,
32
\ln1 =
T

|=1
:
|
(j
|
; 0)
o puede tambin evaluarse numricamente a travs de derivadas numricas
de la funcin de verosimilitud.
Es habitual suponer que el error del modelo tiene distribucin condicional
Normal, en cuyo caso,
ln1 =
T
2
ln2
1
2
T

|=1
ln/
2
|

1
2
T

|=1
-
2
|
/
2
|
en el que hay que substituir las expresiones de -
|
y /
2
|
que se obtienen de la
especicacin del modelo para la esperanza y la varianza condicionales de j
|
. En
realidad, las funciones de densidad que entran en esta expresin de la funcin
de verosimilitud son funciones de densidad condicionales, debido a la presencia
de /
2
|
= q (-
|1
, -
|2
, ...) en la densidad correspondiente a -
|
. As, el logaritmo
de la funcin de verosimilitud condicional en las primeras : observaciones es,
T

|=n+1
ln)(j
|
, r
|
, r
|1
, ..., j
|1
, ...) =
T
2
ln(2)
1
2
T

|=n+1
ln(/
2
|
)
1
2
T

|=n+1
ln
_
_
j
|
j
|1
(0)
_
2
/
2
|
_
siendo : el orden de un proceso 1CH, o el nmero de retardos de la
varianza condicional en el caso de un modelo G1CH. En el caso de un modelo
ARCH, para calcular el valor numrico de la funcin de verosimilitud, se utiliza,
/
2
|
= .c
1
-
2
|1
...c
n
-
2
|n
= .c
1
_
j
|1
j
|2
(0)
_
2
...c
n
_
j
|n
j
|n1
(0)
_
2
Por ejemplo, en el caso de un simple modelo 1CH(1), con
j
|
= -
|
, -
|
~ (0, /
2
|
)
/
2
|
= c
0
c
1
-
2
|1
la funcin logaritmo de la funcin de Verosimilitud condicional es,
ln1 =
T

|=n+1
ln)(j
|
, r
|
, r
|1
, ..., j
|1
) =
T
2
ln2
1
2
T

|=1
ln
_
c
0
c
1
j
2
|1
_

1
2
T

|=1
j
2
|
c
0
c
1
j
2
|1
En el caso de un modelo G1CH(1, 1), utilizaramos,
/
2
|
= . c-
2
|1
,/
2
|1
= . c
_
j
|1
j
|2
(0)
_
2
,/
2
|1
a partir de un valor inicial /
2
0
=
.
1oo
. En el caso de un modelo G1CH
de orden superior, actuaramos de modo alogo, inicializando todos los retardos
precisos de la varianza condicional en el valor numrico de la varianza incondi-
cional.
33
1.11.1 Imponiendo un nivel de volatilidad de largo plazo en la esti-
macin: reversin a un nivel medio de volatilidad
[EII.4.4]
Como se observa, las funciones de verosimilitud de los modelos 1CH son
no lineales en los parmetros del modelo, por lo que la estimacin de Mxima
Verosimilitud, que es el procedimiento de estimacin habitualmente utilizado,
requiere el uso de algoritmos numricos de optimizacin. Para llevar a cabo tales
procedimientos, es preciso dar valores iniciales a los parmetros del modelo. Los
parmetros de la ecuacin del primer momento condicional de j
|
se obtienen
mediante estimacin de dicha ecuacin, ignorando la presencia de estructura
del tipo 1CH.
Para dar valores iniciales a los parmetros de la ecuacin de la varianza
condicional, existen varias posibilidades: una posibilidad consistira en tomar
para la constante la varianza incondicional obtenida para el trmino de error
de la ecuacin de la media, que se ha estimado previamente para inicializar los
parmetros de dicha ecuacin. En este caso, habra que dar valores iniciales a
todos los restantes parmetros de la ecuacin de la varianza. Otra alternativa
consiste en dar valores razonables a los parmetros de la ecuacin de la varianza,
como c = .10, , = .80 en el caso de un modelo G1CH(1, 1), pero entonces
hay que dar a la constante . un valor inicial: . = (1 c ,)o
2
:
, siendo o
2
:
la
varianza estimada para el trmino de error de la ecuacin de j
|
.
Si el modelo G1CH no tiene estructura 1CH en media, entonces la es-
timacin por separado de los parmetros en la ecuacin de la esperanza condi-
cional y de los que entran en la ecuacin de la varianza condicional es eciente.
Ello se debe a que la matriz de informacin presenta una estructura diagonal
a bloques en ambos subvectores de parmetros. Esto no ocurre en el modelo
1G1CH.
Estimacin del modelo GARCH(1,1)
Bajo el supuesto de Normalidad para las rentabilidades logartmicas, 1
|
=
o
|
.
|
, con .
|
~ i., i.d.(0, 1), tendemos la funcin de verosimilitud,
1 =
T

|=1
_
1
_
2o
2
|
oxp
_
1
2
|
2o
2
|
_
_
cuya maximizacin equivale a maximizar su logaritmo neperiano,
ln1 =
T
2
ln(2)
1
2
T

|=1
_
lno
2
|

1
2
|
o
2
|
_
que se puede maximizar bien mediante algoritmos numricos, o bien medi-
ante procedimientos de bsqueda. En todo caso, lo primero que hemos de hacer
es substitutir en la expresin anterior la volatilidad o
2
|
por un determinado
modelo dependiente de un vector de parmetros 0. En las prximas secciones
veremos cmo se lleva a cabo este proceso. Como en cualquier otro problema de
estimacin, hemos de tener en cuenta que estamos maximizando la verosimilitud
34
bajo el supuesto de estabilidad paramtrica, lo que puede condicionar el nmero
de observaciones utilizado en dicho proceso de estimacin.
Distribuciones no Gaussianas
Para tratar de recoger toda la leptocurtosis de la distribucin emprica, se
utiliza en ocasiones la distribucin t estandarizada con grados de libertad j2:
) (.
|
(0)) =
1
_
(j 2)
I
_
q+1
2
_
I
_
q
2
_
1
_
/
2
|
1
_
1
:t(0)
2
q2
_
(q+1)/2
donde I denota la funcin Gamma. La distribucin t es simtrica alrededor
de cero, y converge a la Normal cuando j . Para valores j4 tiene colas
ms gruesas que la Normal, con coeciente de curtosis igual a 8(: 2),(: 4),
que es superior a 3. El logaritmo de la funcin de verosimilitud condicional en
las primeras : observaciones es,
T

|=n+1
ln)(j
|
, r
|
, r
|1
, ..., j
|1
, ...) = T ln
_
I
_
q+1
2
_

1/2
I
_
q
2
_ (j 2)
1/2
_

1
2
T

|=n+1
ln(/
2
|
)

j 1
2
T

|=n+1
ln
_
1
_
j
|
j
|1
(0)
_
2
/
2
|
(j 2)
_
Se utiliza asimismo la distribucin t-Gc:cra|i.ada, que depende de 2 parmet-
ros y es simtrica, con densidad absolutamente continua, con esperanza 0 y
varianza 1. Su funcin de densidad puede escribirse,
) (-
|
) =
j
2{1
_
1

,
1
2s
_
_
1
[ -
|
[

_
(
1
p
+
1
2s
)
donde j 0, : 0 son parmetros a estimar que han de satisfacer: j4: 0.
El parmetro { es { =
q
(
1
p
)
q
(
1
2s
)
q
(
3
p
)
q
(
1
2s

2
p
)
y 1(.) , I(.) denotan las funciones Beta
y Gamma, respectivamente.
Se utiliza tambin la Distribucin Generalizada de Error [Nelson (1991)]:
) (.
|
(0)) =
j
`
1
2
1+
1

1
I
_
1
q
_ oxp
_

1
2
[
.
|
(0)
`
[
q
_
, co: ` =

_
1
2
2/n
I
_
1
q
_
I
_
3
q
_
que para j=2 coincide con la densidad Normal. Para j<2, esta distribucin
tiene colas ms gruesas que la Normal, mientras que para j2 tiene colas ms
nas que la distribucin Normal. Esta densidad fue propuesta en un anlisis de
rentabilidades diarias del mercado de valores, en exceso de las ofrecidas por el
activo sin riesgo. Para ello, Nelson (1991) especic el modelo
35
r
|
= a /r
|1
/
2
|
n
|
con n
|
= -
|
/
|
, siendo -
|
independiente, Normal(0,1). Suponiendo una es-
tructura 1G1CH(1, 1) para la varianza condicional, tendramos,
ln/
2
|
= . , ln/
2
|1
c
-
|1
/
|1
0
_
[
-
|1
/
|1
[
_
2

_
y, suponiendo una funcin de densidad generalizada, el logaritmo de la fun-
cin de verosimilitud sera,
ln1 = T
_
ln
j
`

_
1
1
j
_
ln2 lnI
_
1
j
__

1
2
T

|=1
_
[
_
r
|
a /r
|1
c/
2
|
_
`/
|
[
_
q

1
2
T

|=1
ln/
2
|
donde, para evaluar la funcin ln1 es preciso, una vez ms, generar datos
para la varianza condicional como en otros casos, utilizando iterativamente la
expresin que dene la varianza condicional del proceso 1G1CH,
ln/
2
|+1
= . , ln/
2
|
c
-
|
/
|
0
_
[
-
|
/
|
[
_
2

_
con:
-
|
=
r
|
a /r
|1
c/
2
|
/
|
a partir de valores paramtricos (a, /, , ., ,, c, 0) iniciales. Los valores ini-
ciales de la varianza condicional (uno slo en este caso), se jan igual a su
esperanza matemtica, 1/
2
|
=
.
1o
.
En otros casos [Engle y Gonzlez-Rivera (1991)] se ha propuesto utilizar un
procedimiento de estimacin semiparamtrico.
Mixtura de GARCH Normales
Markov Switching GARCH
Para simular un modelo Markov Switching GARCH hay que tener en cuenta
que la probabilidad incondicional de estar en el rgimen 1 es:
=

21

12

21
1.11.2 Estimacin por Cuasi-mxima verosimilitud
En muchos casos en el mbito de los mercados nancieros, la hiptesis de Nor-
malidad del trmino de error de la ecuacin de la media de una rentabilidad
no es aceptable.Uuna posibilidad consiste en estiomar el modelo por mxima
verosimilitud bajo un supuesto distinto acerca de la distribucin de dicho tr-
minon de error, ya sea mediante una distribucin t de Student, una distribucin
36
G11, una mixtura de Normales, etc.. Alternativamente, si se supone Normal-
idad en el clculo de la funcin de verosimilitud, el estimador que resulta es de
Cuasi-mxima verosimilitud, que es consistente, pero no eciente. Todo lo que
se precisa para este resultado es que las ecuaciones de la esperanza y varianza
condicionales se hayan especicado correctamente, lo cual puede resumirse en
las condiciones,
1
_
-
2
|
,r
|
, j
|1
, j
|2
, ...
_
= 0; \ ar
_
-
2
|
,r
|
, j
|1
, j
|2
, ...
_
= 1.
La prdida de eciencia en la estimacin se debe precisamente a la desviacin
respecto de la Normal, de la verdadera distribucin de probabilidad del trmino
de error del modelo. En tal caso, debe utilizarse una estimacin de la matriz de
covarianzas de los parametros que sea robusta a desviaciones de Normalidad,
como la propuesta por Bollerslev y Wooldridge (1992).
Esta estrategia de estimacin es similar a Mxima Verosimilitud, pero re-
quiere corregir las desviaciones tpicas resultantes. La distribucin asinttica
del estimador es,
_
T
_

0 0
_
(0, 1
1
o1
1
)
donde,
o = j lim
T!1
1
T
T

|=1
:
|
(0) :
|
(0)
0
siendo :
|
(0) el vector score, mientras que la matriz D es,
1 = j lim
T!1
1
T
T

|=1
1
_
0:
|
(0)
00
0
[ r
|
, j
|1
, j
|2
, ...
_
Ambas pueden estimarse consistentemente evaluando numricamente el vec-
tor score bajo los parmetros resultantes en la estimacin [ver Hamilton (1994)],
obtenindose desviaciones tpicas asintticamente robustas a errores de especi-
cacin en la densidad del trmino de error, tomando races cuadradas del pro-
ducto,
1
T

1
1
T

o
T

1
1
T
. Si el modelo est correctamente especicado y la dis-
tribucin del trmino de error es normal, entonces o = 1, y resulta la matriz
de covarianzas asinttica habitual del estimador de Mxima Verosimilitud.
Primer caso: rentabilidades incorrelacionadas con media cero Supong-
amos que las rentabilidades obtenidas en la unidad temporal de observacin
carecen de autocorrelacin, lo que puede contrastarse a partir de un examen
de sus funciones de autocorrelacin simple y parcial, as como llevando a cabo
contrastes formales del tipo Ljung-Box o Box-Pierce.
Para estimar los parmetros del modelo en una hoja de clculo, se estima
inicialmente o
2
|0
por alguno de los dos procedimientos que mencionamos antes,
y comienza la recursin a partir de dicho instante temporal, despus de haber -
jado valores iniciales para los parmetros c, ,, .. Una vez evaluada la funcin de
37
verosimilitud para los valores parmetricos inicialmente escogidos (condiciones
iniciales), se trata de buscar en el espacio paramtrico con el objeto de obtener
los valores que maximizan la funcin de verosimilitud,
ln1(., c, ,) =
T
2
ln(2)
1
2
T

|=1
_
lno
2
|
(., c, ,)
1
2
|
o
2
|
(., c, ,)
_
Finalmente, la varianza de largo plazo, o
2
, se estima a partir de las expresiones
anteriores y las estimaciones obtenidas para c, ,, .: o
2
= .,(1 c ,).
La alternativa denominada variance targetting consiste en jar un nivel
de volatilidad de largo plazo o
2
, por ejemplo igual a la varianza muestral, y
utilizando la expresin analtica de la varianza a largo plazo para jar . =
o
2
(1 c ,), estimando as slo 2 parmetros, c y ,.
Si queremos estimar un modelo de alisado exponencial como el utilizado en
RiskMetrics, se ja . = 0, c = 1 `, , = `, y se efecta una bsqueda sobre el
valor numrico de `, ` (0, 1),en la funcin
ln1(`) =
T
2
ln(2)
1
2
T

|=1
_
lno
2
|
(`)
1
2
|
o
2
|
(`)
_
Segundo caso: rentabilidades posiblemente correlacionadas, con
media no nula Como alternativa, consideremos la posibilidad de que las
rentabilidades obedezcan al modelo
1
|
= j
0
j
1
1
|1
-
|
que recoge la presencia de autocorrelacin, es decir, de dependencia temporal
en las rentabilidades. Tendra sentido entonces hacer el supuesto de estructura
GARCH de volatilidad, pero ahora sobre la innovacin -
|
del proceso estocstico
de rentabilidades, por lo que o
2
|
sera ahora: o
2
|
= \ ar(-
|
), con funcin de
verosimilitud,
1 =
T

|=1
_
1
_
2o
2
|
oxp
_
-
2
|
2o
2
|
_
_
con,
ln1 =
T
2
ln(2)
1
2
T

|=1
_
lno
2
|

-
2
|
o
2
|
_
= co:: lantc
1
2
T

|=1
_
lno
2
|

(1
|
j
0
j
1
1
|1
)
2
o
2
|
_
y la estimacin del modelo se lleva a cabo buscando en los parmetros
c, ,, ., j
0
, j
1
.
En este caso habra que tener en cuenta que el procedimiento nos dara la
evolucin temporal de la volatilidad de la innovacin -
|
, el componente no pre-
decible de la rentabilidad, que es la volatilidad de 1
|
condicional en su pasado,
38
pero no su volatilidad incondicional. En todo caso, la volatilidad incondicional
(un nmero) es la media de la volatilidad condicional (una variable). La relacin
entre las volatilidades incondicionales de la Rentabilidad y su innovacin es,
\ ar(1
|
) =
\ ar(-
|
)
1 j
2
1
1.12 Contrastacin de hiptesis
Crowder prob ya en 1976 que, bajo determinadas condiciones de regularidad, el
estimador MV es consistente y tiene distribucin asinttica Normal en modelos
con observaciones dependientes. Si la densidad condicional est correctamente
especicada y el verdadero vector de parmetros c
0
est en el interior del espacio
paramtrico considerado, un argumento del tipo utilizado en el Teorema Central
del Lmite conduce a:
T
1/2
_

c
T
c
0
_
(0,
1
0
)
siendo la matriz de covarianzas asinttica del estimador MV igual a la inversa
de la matriz de informacin, evaluada en el verdadero vector de parmetros:

0
= T
1
T

|=1
1 [\
r
: (j
|
; c
0
)[
que es inferior a la matriz de covarianzas de cualquier otro estimador. En la
prctica, se obtiene un estimador consistente de
0
evaluando el anlogo mues-
tral en el vector estimado de parmetros

c
T
, es decir, sustituyendo 1 [\
r
: (j
|
; c
0
)[
por \
r
:
_
j
|
;

c
T
_
. Adems, las segundas derivadas tienen generalmente esper-
anza nula, y pueden omitirse. Por ltimo, bajo el supuesto de que la densidad
est correctamente especicada, se tiene la igualdad
0
= 1
0
, siendo:
1
0
= T
1
T

|=1
1
_
: (j
|
; c
0
) : (j
|
; c
0
)
0

(4)
es decir, que la esperanza del producto del gradiente por s mismo propor-
ciona asimismo un estimador de la matriz de covarianzas asinttica. Nueva-
mente, esta expresin se evaluara en el vector estimado de parmetros.
En la estimacin de modelos ARCH suelen utilizarse derivadas numricas,
pues las derivadas analticas son bastante complejas. El estimador propuesto
en (4) tiene la ventaja de que slo precisa derivadas de primer orden, pues
las derivadas numricas de segundo orden suelen ser bastante inestables. En
general, el vector de parmetros de un modelo ARCH puede particionarse:
0
0
=
_
0
0
1
, 0
0
2
_
, donde el primer subvector es el que aparece en el modelo de la esper-
anza condicional, mientras que el segundo es quien aparece en la determinacin
de la varianza condicional. Es, adems, posible probar que, en algunos casos,
la matriz de informacin es diagonal a bloques con esta particin. Como con-
secuencia, pueden calcularse estimadores asintticamente ecientes para uno de
39
los subvectores, a partir de una estimacin consistente para el otro. As, puede
estimarse el modelo de la media por MCO (debe utilizarse un estimador consis-
tente), para obtener un estimador asintticamente eciente de los parmetros
de la varianza condicional a partir de los residuos MCO de la ecuacin de la
media. Sin embargo, la prdida de eciencia en los coecientes del modelo de
la media puede ser importante.
Las desviaciones tpicas habituales no son apropiadas, debido a la presencia
de heterocedasticidad, por lo que deben corregirse del modo sugerido por White
(1980). En particular, la habitual desviacin tpica para los valores de la funcin
de autocorrelacin (1,T) puede ser muy sesgada en presencia de estructuras
ARCH.
La diagonalidad a bloques de la matriz de informacin no se cumple, sin
embargo, en el modelo EGARCH ni en los modelos ARCH-M. En estos cassos,
para obtener una estimacin consistente es preciso que las funciones que rep-
resentan la meia y varianza condicionales estn correctamente especicadas, y
estimadas simultneamente.
Si se quiere contrastar una hiptesis nula de inters, del tipo: H
0
: r (c
0
) =
0,siendo el rango | de la funcin r inferior a :/, el estadstico de Wald adopta
la forma:
\
T
= T.r
_

c
T
_
0
_
_
\
r
r
_

c
T
__
C
1
T
_
\
r
r
_

c
T
__
0
_
1
r
_

c
T
_
siendo C
T
una estimacin consistente de la matriz de covarianzas del vec-
tor de parmetros bajo la hiptesis alternativa. Bajo la hiptesis nula, y si
se satisfacen las condiciones de regularidad, el estadstico de Wald tiene una
distribucin chi-cuadrado con (: /) | grados de libertad, el nmero de
parmetros bajo la hiptesis alternativa.
Tambin puede utilizarse un contraste de RV (Razn de verosimilitudes),
cuyo estadstico seguir una distribucin asimismo chi-cuadrado con (:/) |
grados de libertad, el nmero de restricciones (nmero de parmetros bajo la
hiptesis alternativa).
La contrastacin de hiptesis acerca de parmetros de la ecuacin de varianza
condicional est sujeta a dos dicultades: a) en primer lugar, dichos parmetros
deben ser positivos, por lo que, como ya hemos dicho, los contrastes ecientes
deberan ser de una cola, b) en segundo lugar, existen a veces problemas de
identicacin, a los que ya hemos hecho referencia, por lo que la matriz de
informacin se hace singular. En el modelo G1CH(1, 1), bajo la hiptesis
nula: H
0
: c
1
= 0, los parmetros . y ,
1
no estn identicados.
De igual modo, en el modelo 1CH ', el coeciente de la varianza (o
desviacin tpica) condicional est identicado slo si dicha varianza es cam-
biante en el tiempo, por lo que no es posible un contraste del tipo habitual para
la hiptesis conjunta de presencia de efectos 1CH, junto con la signicacin
del coeciente de la ecuacin de la media.
Otra cuestin de indudable relevancia se reere a las propiedaddes en mues-
tras nitas de los estimadores de mxima verosimilitud de modelos 1CH. As,
40
por ejemplo, con errores condicionalmente Normales, la estimacin de c
1
,
1
resulta sesgada a la baja y asimtrica a la derecha en muestras nitas. El sesgo
en la suma de los coecientes proviene de un sesgo a la baja en la estimacin de
,
1
, junto con un sesgo al alza en la estimacin de c
1
.
1.13 Modelos de varianza condicional como aproximaciones
a difusiones.
Denotemos por 1
|
el precio de un activo, y por o
|
la volatilidad instantnea
de su rendimiento. Consideremos la representacin conjunta de la evolucin
seguida por (1
|
, o
|
) a partir de valores iniciales (1
0
, o
0
) por medio del proceso
en tiempo continuo,
d1
|
= j1
|
dt 1
|
o
|
d\
1,|
d
_
lno
2
|

= ,
_
lno
2
|
c

dt cd\
2,|
(5)
donde \
1,|
y \
2,|
denotan movimientos brownianos independientes de las
condiciones iniciales, que satisfacen:
_
d\
1,|
d\
2,|
_
_
d\
1,|
d\
2,|
_
=
_
1 j
j 1
_
dt
es decir, con correlacin igual a j.
Aunque los datos se observan nicamente a intervalos de tiempo discretos,
es muy til formular representaciones continuas de los precios de un activo. Es
til, en particular, para anlisis tericos en la formacin de precios de opciones.
El lema de Ito permite escribir la ecuacin anterior como:
dj
|
=
_
j
o
2
|
2
_
dt o
|
d\
1,|
donde j
|
= ln(1
|
).
Si un modelo terico propone la representacin acontinua anterior, es posi-
ble formular un proceso ARCH cuyas realizaciones muestrales sean indistin-
guibles de las generadas por el proceso de difusin cuando el intervalo de tiempo
transcurrido entre observaciones sea muy reducido? Melino y Turnbull (1990)
utilizan una aproximacin de Euler para probar que la difusin (5) puede aprox-
imarse por:
j
|+|
= j
|

_
j
o
2
|
2
_
/ /
1/2
o
|
7
1,|+|
, t = /, 2/, 8/, ... (6)
ln
_
o
2
|+|
_
= ln
_
o
2
|
_
/,
_
ln
_
o
2
|
_
c

/
1/2
c7
2,|+|
, t = /, 2/, 8/, ...
siendo (7
1,|
, 7
1,|
) una variable aleatoria Normal bivariante, con vector de
esperanzas (0,0), y matriz de covarianzas:
\ ar
_
7
1,|
7
2,|
_
=
_
1 j
j 1
_
41
Este proceso converge, efectivamente, a la difusin de la que hemos partido,
cuando / tiende a cero. En efecto, es fcil ver que,
/
1
1
|
_
j
|+|
j
|
ln
_
o
2
|+|
_
ln
_
o
2
|
_
_
=
_
j
c
2
t
2
,
_
ln
_
o
2
|
_
c

_
/
1
\ ar
|
_
j
|+|
j
|
ln
_
o
2
|+|
_
ln
_
o
2
|
_
_
=
_
o
2
|
o
|
jw
o
|
w
2
_
que reproducen el proceso de media y la matriz de difusin en (5). Sin
embargo, este no es estrictamente un proceso ARCH, pues o
2
|
es la varianza
condicional de j
|+|
j
|
dada toda la realizacin continua del proceso (no ob-
servable), pero no es la varianza condicional, dada la informacin reocgida a
intervalos discretos de tiempo.
Para obtener un modelo 1CH aproximado a la difusin anterior, reem-
plazamos la segunda ecuacin del sistema (6) por:
ln
_
o
2
|+|
_
= ln
_
o
2
|
_
/,
_
ln
_
o
2
|
_
c

/
1/2
q (7
1,|+|
) , t = /, 2/, 8/, ...
para una funcin q (.) medible, con 1
_
[ q (7
2,|+|
) [
2+o

< para algn

c 0, y
\ ar
_
7
1,|
q (7
1,|
)
_
=
_
1 jc
jc 1c
2
_
(7)
Para completar la formulacin de la aproximacin ARCH, necesitamos una
especicacin para la funcin q(.). Puesto que,
1 ([ 7
1,|
[) =
_
2

; 1 (7
1,|
[ 7
1,|
[) = 0; \ ar ([ 7
1,|
[) = 1
2

una posible especicacin es,

q (7
1,|
) = jw7
1,|
w
_
1 j
2
1 2,
_
[ 7
1,|
[
_
2

_
que corresponde al modelo 1G1CH.
Alternativamente, podra haberse escogido,
q (7
1,|
) = jw7
1,|
w
_
1 j
2
2
_
7
2
1,|
1
_
que tambin satisface (7).
Tambin se puede contestar a la pregunta inversa: Dado un modelo 1CHcul
es el proceso de difusin que mejor lo aproxima? Para ello, consideremos, a modo
de ejemplo, una estructura de martingala con error G1CH(1, 1):
j
|+|
= j
|
o
|
/.
|+|
= j
|
-
|+|
y:
42
o
2
|+|
= ./
_
1 0/ c/
1/2
_
o
2
|
/
1/2
c-
2
|+|
que tiende a un modelo 1G1CH(1, 1) cuando / 0.
Como se prueba en Nelson (1990a),
/
1
1
|
_
j
|+|
j
|
o
2
|+|
o
2
|
_
=
_
0
. 0o
2
|
_
/
1
\ ar
|
_
j
|+|
j
|
o
2
|+|
o
2
|
_
=
_
o
2
|
0
0 2c
2
o
4
|
_
para el que puede probarse que la difusin aproximada es,
dr
|
= o
|
d\
1,|
do
2
|
=
_
. 0o
2
|
_
dt
_
2co
2
|
d\
2,|
donde \
1,|
y \
2,|
denotan movimientos brownianos independientes, lo cual
puede utilizarse para estimar un proceso de difusin, y luego comparar parmet-
ros.
1.14 Modelos multivariantes
La matriz de covarianzas entre las rentabilidades de un conjunto de activos
puede escribirse, en notacin matricial,

|+1
= 1
|+1
I
|+1
1
|+1
donde 1
|+1
es una matriz con desviaciones tpicas condicionales en la diag-
onal y ceros fuera de la diagonal, y I
|+1
es una matriz con unos en la diagonal,
y con las correlaciones condicionales fuera de dicha diagonal principal.
Modelo EWMA
Un slo parametro representa la evolucin de todas las varianzas y covari-
anzas:
H
|
= (1 `)H
|1
`
_
-
|1
-
0
|1
_
=
_
o
2
1|
o
12,|
o
2
2|
_
= (1 `)
_
o
2
1|1
o
12,|1
o
2
2|1
_
`
_
-
2
1,|1
-
1,|1
-
2,|1
-
2
2,|1
_
es decir:
o
2
1,|
= `-
2
1,|1
(1 `)o
2
1,|1
o
12,|
= `-
1,|1
-
2,|1
(1 `)o
12,|1
o
2
1,|
= `-
2
2,|1
(1 `)o
2
2,|1
43
que se estima maximizando el logaritmo de la funcin de verosimilitud:
ln1(0, `) =
1
2
T

|=1
ln([
|
[)
1
2
T

|=1
(r
|
j)
0

1
|
(r
|
j)
Si se aplica a rentabilidades estandarizadas, [
|
[= 1 j
2
|
en el caso bivari-
ante, y
1
|
=
_
1 j
|
j
|
1
_
, por lo que:
ln1(0, `) =
1
2
T

|=1
ln
_
1 j
2
|
_

1
2
T

|=1
(r
1|
j
1
)
2
(r
2|
j
2
)
2
2j
|
(r
1|
j
1
)(r
2|
j
2
)
aunque en muchos casos, se supondr: j
1
= j
2
= 0.
Este es un modelo excesivamente sencillo, en el sentido de que ni permite
que las innovaciones en la primera variable afecten a la varianza condicional de
la segunda variable (ni viceversa), ni tampoco a la covarianza. Por tanto, las
sorpresas en una variable tienen efectos exclusivamente sobre las propiedades
de esa variable. Por otra parte, la covarianza sigue una evolucin relativamente
independiente de la magnitud de las innovaciones que experimentan las dos
rentabilidades, dependiendo nicamente de su producto cruzado, pero no de su
tamao de un modo claro.
Modelo VECH Diagonal:
Es un modelo simple, nuevamente sin interdependencia dinmica entre volatil-
idades, aunque sin las estrictas restricciones paramtricas del modelo anterior:

|
= C
n

I=1

I
(-
|I
-
0
|I
)
s

=1
1

|
donde denota el producto elemento por elemento, y
I
y 1

son matrices
simtricas. En el caso bivariante, con : = 1, : = 1:
_
o
11,|
o
12,|
o
22,|
_
=
_
C
11
C
12
C
22
_

_

11

12

22
_

_
-
2
1,|1
-
1,|1
-
2,|1
-
2
2,|1
_

_
1
11
1
12
1
22
_

_
o
11,|1
o
12,|1
o
22,|1
_
es decir,
o
2
1|
= C
11

11
-
2
1,|1
1
11
o
2
1,|1
o
12,|
= C
12

12
-
1,|1
-
2,|1
1
12
o
12,|1
o
2
2|
= C
22

22
-
2
2,|1
1
22
o
2
2,|1
Cada elemento sigue una estructura GARCH(1,1) y no permite dependencia
dinmica cruzada entre las series de volatilidad. Es un modelo simple, pero no
44
garantiza que la matriz de varianzas y covarianzas sea positiva denida en cada
perodo, lo cual puede generar problemas numricos.
4
Como vemos, con dos
variables, el modelo contienen 9 parmetros.
Con 3 variables:
_
_
o
11,|
o
12,|
o
22,|
o
13,|
o
23,|
o
33,|
_
_
=
_
_
C
11
C
21
C
22
C
31
C
32
C
33
_
_

_
_

11

21

22

31

32

33
_
_

_
_
-
2
1,|1
-
2,|1
-
1,|1
-
2
2,|1
-
3,|1
-
1,|1
-
3,|1
-
2,|1
-
2
3,|1
_
_

_
_
1
11
1
21
1
22
1
31
1
32
1
33
_
_

_
_
o
11,|1
o
12,|1
o
22,|1
o
13,|1
o
23,|1
o
33,|1
_
_
es decir,
o
11,|
= C
11

11
-
2
1,|1
1
11
o
11,|1
o
12,|
= C
12

12
-
1,|1
-
2,|1
1
12
o
12,|1
o
22,|
= C
22

22
-
2
2,|1
1
22
o
22,|1
o
13,|
= C
13

13
-
1,|1
-
3,|1
1
13
o
13,|1
o
23,|
= C
23

23
-
3,|1
-
2,|1
1
23
o
23,|1
o
33,|
= C
33

33
-
2
3,|1
1
33
o
33,|1
El modelo de correlacin condicional constante:
El modelo de correlacin constante [Bollerslev (1990)] supone que las cor-
relaciones entre cada par de rentabilidades son constantes en el tiempo: I
|+1
=
4
Una notacin alternativa para este modelo es:
ccI(1t) = oioj(.
1
, .
2
, .
3
) + oioj(c
1
, c
2
, c
3
)ccI(.t.
0
t
) + oioj(o
1
, o
2
, o
3
)ccI(1
t1
)
En el caso de dos variable s:
0
@
o
2
1;t
o
12;t
o
2
2;t
1
A
=
0
@
.
1
0 0
0 .
2
0
0 0 .
3
1
A
+
0
@
c
1
0 0
0 c
2
0
0 0 c
3
1
A
0
@
.
2
1;t1
.
1;t1
.
2;t1
.
2
2;t1
1
A
+
0
@
o
1
0 0
0 o
2
0
0 0 o
3
1
A
0
@
o
2
1;t1
o
12;t1
o
2
2;t1
1
A
es decir:
o
2
1;t
= .
1
+ c
1
.
2
1;t1
+ o
1
o
2
1;t1
o
12;t
= .
2
+ c
2
.
1;t1
.
2;t1
+ o
2
o
12;t1
o
2
1;t
= .
3
+ c
3
.
2
2;t1
+ o
3
o
2
2;t1
45
I, \t, por lo que el modelo de volatilidad consta slo de ecuaciones para las
varianzas. En el caso de dos activos:
_
o
11,|
o
22,|
_
=
_
c
10
c
20
_

_
c
11
c
12
c
21
c
22
__
a
2
1,|1
a
2
2,|1
_

_
,
11
,
12
,
21
,
22
__
o
11,|1
o
22,|1
_
y las covarianzas se estiman:
H
I
(t) = 1
I
_
H
II
(t)H

(t)
donde los elementos de 1 son parmetros estimados.
El modelo puede utilizarse con varianzas estimadas mediante esquemas EWMA
o mediante modelos univariantes GARCH [ver EII.4.6]. Las diferencias entre las
covarianzas obtenidas se deben a las diferencias que surgen al estimar la volatil-
idad de cada rentabilidad individual mediante un modelo GARCH univariante
o mediante EWMA.
Bajo ambas opciones, cada covarianza se obtiene multiplicando el coe-
ciente de correlacin entre las rentabilidades estandarizadas/sin estandarizar,
5
supuesto constante y calculado con toda la muestra, por el producto de las
desviaciones tpicas obtenidas a partir de los modelos de volatilidad condicional
previamente estimados mediante EWMA o GARCH. Si se trabaja con rentabil-
idades diarias, hay que recordar multiplicar por 250 (nmero de sesiones diarias
en un ao) y sacar la raiz cuadrada para obtener la volatilidad anual, y multi-
plicar asimismo por 250 el producto de ambas volatilidades anuales y el coe-
ciente de correlacion muestral, al calcular la covarianza condicional. Podemos
estimar el coeciente de correlacion con toda la muestra, como se ha dicho, o
hacer el ejercicio "en tiempo real", estimando la correlacion con datos hasta
cada da. Excepto posiblemente al inicio de la muestra, las diferencias son pe-
queas. Ver [EII.4.6] para el clculo de la covarianza condicional con correlacin
constante, utilizando modelos asimtricos A-GARCH para las rentabilidades, en
este caso de los tipos de cambio libra/USdlar y euro/USdlar.
Lgicamente, una vez estimado este modelo, no puede pretenderse generar
correlaciones cambiantes en el tiempo a partir de las covarianzas. La estimacin
de las covarianzas es el punto nal del ejercicio de estimacin bajo esta especi-
cacin.
El modelo de correlacin condicional dinmica:
Nuevamente en este modelo puede utilizarse un esquema EWMA para esti-
mar las varianzas de las rentabilidades individuales, o estimar modelos GARCH
univariantes. En el ejercicio [EII.4.6], [Figures II.4.6] se utiliza un procedimiento
EWMA, con ` = 0, 04, para generar volatilidades de las rentabilidades, sin me-
dia, de dos tipos de cambio: la libra y el euro, ambos respecto del dlar, r
I|
j
I
,
5
Para estimar la correlacin debe utiolizarse rentabilidades estandarizadas, pues de este
modo, la varianza es constante en el tiempo, y el denominador del coeciente de correlacin
est bien denido. Si se utilizan rentabilidades estandarizadas: :
it
= (v
it
j
i
)o
it
, entonces
j
ij;t
= 1(:
it
:
jt
), estimndose mediante la media muestral del producto de rentabilidades
estandarizadas (ver [Ch3.6]).
46
con j
I
= T
1

T
|=1
r
I|
, y se generan: o
2
I|
= `o
2
I|1
(1 `) (r
I|1
j
I
)
2
. Las
volatilidades anuales vienen dadas por 20o
2
I|
, y la covarianza podria estimarse
mediante: 20j
_
20o
2
1|
20o
2
2|
, si bien este no es el clculo ms interesante
en este modelo, con el que pretendemos estimar correlaciones cambiantes en el
tiempo.
El modelo de correlacin condicional dinmica utiliza las rentabilidades es-
tandarizadas: .
1|
= (r
1|
j
1
),o
1|
, .
2|
= (r
2|
j
2
),o
2|
para generar variables
auxiliares
I,|
:

I,|+1
= (1 `) .
I,|
.
,|
`
I,|
\i, ,
Es decir, en el caso de dos variables:

11,|+1
= (1 `) .
2
1|
`
11,|

12,|+1
= (1 `) .
1|
.
2|
`
12,|

11,|+1
= (1 `) .
2
1|
`
22,|
Al ser una covarianza entre rentabilidades estandarizadas, la serie temporal

I|
ya nos proporciona una estimacin de la correlacin condicional entre dos
rentabilidades. Pero para garantizar que dicha correlacin est siempre en el
intervalo (1, 1), utilizamos la normalizacin:
j
I,|+1
=

I,|+1
_

II,|+1
_

,|+1
.
El algoritmo recursivo anterior puede inicializarse tomando como valor inicial
para
11,1
y
22,1
su esperanza matemtica, que es 1.Como condicin inicial para

I,1
podemos tomar el promedio de los productos .
I,|
.
,|
a lo largo de toda la
muestra. Esto es til en el caso en que queremos estimar a posterior cmo
ha variado dicha correlacin condicional. En alguna otra situacin podemos no
querer imponer como condicin inicial la media de toda la muestra, y preferimos
utilizar el promedio de un nmero inicial de observaciones, 50 por ejemplo, y
actualizar
I,|
a partir de la observacin siguiente, desechando los primeros 50
datos.
Si tomamos la opcin de estimar las varianzas condicionales mediante mod-
elos GARCH univariantes, una vez estimados tales modelos, estandarizamos las
rentabilidades, y denimos las variables
I,|
y el coeciente de correlacin de
modo anlogo al descrito arriba. en [EII.4.6] Se comparan las correlaciones entre
los dos tipos de cambio obtenidas a partir de un esquema EWMA y de modelos
univariantes asimtricos A-GARCH para cada tipo de cambio. Las diferencias
entre las correlaciones resultantes son mnimas. En [Ch3.7] se analiza la cor-
relacion condicional entre S&P500 y el tipo de cambio USdlar/Yen, as como
entre S&P500 y el tipo de inters de las Treasury bills a 3 meses, mediante un
esquema EWMA, estimando en ambos ejercicios el parmetro ` por mxima
verosimilitud.
47
Para permitir reversin a la media, es generalmente preferible utilizar rep-
resentaciones:

I,|+1
= j
I
c.
I,|
.
,|
,
I,|
\i, ,
Es decir, en el caso de dos variables:

11,|+1
= j
11
c.
2
1,|
,
11,|

12,|+1
= j
12
c.
1,|
.
2,|
,
12,|

11,|+1
= j
22
c.
2
2,|
,
22,|
con la diferencia de que ahora tenemos 5 parmetros, frente al parmetro
nico, `, de la representacin anterior. Para evitar problemas numricos, podemos
imponer objetivos de correlacin de largo plazo, haciendo: j
I
= 1(.
I|
.
|
), y
sustituyendo la esperanza matemtica por la media muestral de cada uno de
estos productos. En tal caso, j
11
= j
22
= 1, y solo tenemos dos parmetros por
estimar (ver [Ch3.8], con estimacin por mxima verosimilitud).
En general, para : variables, comenzamos generando unas matrices auxil-
iares Q
|
:
Q
|
= (1 a /)Q
0
a-
|1
-
0
|1
/Q
|1
siendo Q
0
la matriz de covarianzas incondicional. Sin embargo, la secuencia
de matrices Q
|
no son matrices de covarianzas, sino matrices auxiliares que se
utilizan en la estimacin de la matriz de correlaciones, mediante:
j
I
(t) =
Q
I
(t)
_
Q
II
(t)Q

(t)
La matriz de covarianzas H
|
se genera combinando las series temporales de
las varianzas condicionales, obtenidas a partir de modelos GARCH univariantes,
H
II
(t)H

(t), con las correlaciones generadas a partir de las matrices Q

|
:
H
I
(t) =
_
H
II
(t)H

(t)
Q
I
(t)
_
Q
II
(t)Q

(t)
La opcin de modelizar la correlacin como constante, frente a representarla
como una variable cambiante en eltiempo afecta por supuesto a muchos clculos
nancieros de inters. Entre ellos, la estimacin del VaR de una cartera congu-
rada sobre dos activos, por ejemplo. En [Ch3.7] y [Ch3.8] se presenta el clculo
del VaR bajo estas dos modelizaciones alternativas. En ambos casos el clculo
del VaR se realiza mediante:
\ a1

= 1
1
(j)
_
T
_
.
2
1
o
2
1|
.
2
2
o
2
2|
2.
1
.
2
j
12,|
o
1|
o
2|
donde j
12,|
puede ser constante si hemos utilizado el modelo de correlacin
constante, o cambiante en el tiempo, si hemos utilizado el modelo de correlacin
condicional dinmica.
48
Modelo VECH: El modelo VECH completo permite una interaccin entre las
volatilidades de todas las variables, a costa de un elevado nmero de parmet-
ros. Nmero de parmetros:
6
/(/ 1)[/(/ 1) 1[,2.[Para / = 2, resultan 21
parmetros; para / = 8, resultan 78 parmetros]. El modelo no es muy aconse-
jable para ms de dos variables, debido a los problemas numricos que pueden
surgir en la estimacin. El modelo se expresa:
cc/(H
|
) = C cc/(-
|
-
|1
0
) 1 cc/(H
|1
)
que considera ecuaciones con una estructura similar a las del modelo BEKK:
_
_
o
2
1,|
o
12,|
o
2
2,|
_
_
=
_
_
,
10
,
20
,
20
_
_

_
_
,
11
,
12
,
13
,
21
,
22
,
23
,
31
,
32
,
33
_
_
_
_
-
2
1,|1
-
1,|1
-
2,|1
-
2
2,|1
_
_

_
_
c
11
c
12
c
13
c
21
c
22
c
23
c
31
c
32
c
33
_
_
_
_
o
2
1,|1
o
12,|1
o
2
2,|1
_
_
o
2
1,|
= ,
10
,
11
-
2
1,|1
,
12
-
1,|1
-
2,|1
,
13
-
2
2,|1
c
11
o
2
1,|1
c
12
o
12,|1
c
13
o
2
2,|1
o
12,|
= ,
20
,
21
-
2
1,|1
,
22
-
1,|1
-
2,|1
,
23
-
2
2,|1
c
21
o
2
1,|1
c
22
o
12,|1
c
23
o
2
2,|1
o
2
2,|
= ,
30
,
31
-
2
1,|1
,
32
-
1,|1
-
2,|1
,
33
-
2
2,|1
c
31
o
2
1,|1
c
32
o
12,|1
c
33
o
2
2,|1
Modelo BEKK: Este modelo es un caso particular del modelo VECH. Nmero
de parmetros:
7
/(/ 1),2. [Para / = 2, resultan 11 parmetros; para / = 8,
resultan 24 parmetros].
Garantiza que la matriz de varianzas y covarianzas sea positiva denida en
cada perodo, mediante una estructura de evolucin temporal:

|
= CC
0

n

I=1

I
(-
|I
-
0
|I
)
0
I

s

=1
1

|
1
0

donde C es una matriz triangular inferior y

I
y 1

son matrices /r/.

Habitualmente, con : = 1, : = 1. El modelo permite dependencia dinmica
entre volatilidades, que se inuyen mutuamente, pero tiene el inconveniente de
que el nmero de parmetros crece muy rpidamente con el nmero de variables.
El tamao de una innovacion en una cualquiera de las variables afecta a la
varianza condicional de esa variable, pero tambien a la varianza condicional de
las dems variables, as como a su covarianza condicional.
Cada trmino en la expresin anterior es semidenido positivo por construc-
cin, lo que evitar entrar regiones inapropiadas de la supercie de verosimilitud.
La contrapartida es que la supercie de verosimilitud es excesivamente plana,
6
Con I variables, hay I(I+1)2 elementos (varianzas y covarianzas) y, por tanto,e cuacioens
en el modelo VECH. Como vemos en la representacin, el nmero de parmetros es igual a
a + 2a
2
, siendo a el nmero de ecuaciones. por tanto, el nmero de parmetros es: I(I +
1)2 + 2 [I(I + 1)2]
2
.
7
Como se ve enl ar epresentacin posterior, el nmero de parmetros es igual a 2I
2
+I(I+
1)2, siendo I el nmero de variables.
49
dicultando la identicacin de los parmetros. De hecho, la expresin mues-
tra claramente que pueden cambiarse los signos de todos los parmetros de las
matrices C,
I
, 1

, sin generar ningun efecto sobre la funcin de verosimilitud.

En el caso bivariante, el modelo es:
_
o
2
1|
0
o
12,|
o
2
2|
_
=
_
C
11
0
C
12
C
22
__
C
11
C
12
0 C
22
_

_

11

21

12

22
__
-
2
1,|1
-
1,|1
-
2,|1
-
1,|1
-
2,|1
-
2
2,|1
__

11

12

21

22
_

_
1
11
1
21
1
12
1
22
__
o
2
1|
0
o
12,|1
o
2
2|
__
1
11
1
11
1
21
1
22
_
o
2
1|
= ,
1
,
11
-
2
1,|1
,
12
-
1,|1
-
2,|1
,
13
-
2
2,|1
c
11
o
2
1|
c
12
o
12,|1
c
13
o
2
2|
o
12,|
= ,
2
,
21
-
2
1,|1
,
22
-
1,|1
-
2,|1
,
23
-
2
2,|1
c
21
o
2
1|
c
22
o
12,|1
c
23
o
2
2|
o
2
2|
= ,
3
,
31
-
2
1,|1
,
32
-
1,|1
-
2,|1
,
33
-
2
2,|1
c
31
o
2
1|
c
32
o
12,|1
c
33
o
2
2|
Modelo BEKK diagonal : Es una versin simplicada del anterior, cuando
las matrices
I
, 1

tienen estructura diagonal, que excluye las interacciones

entre volatilidades, que siempre pueden tener inters. Es un caso particular
del modelo VECH diagonal. En el caso de dos variables, con : = 1, : = 1,
el modelo BEKK diagonal tendra 7 parmetros, frente a los 9 parmetros del
modelo VECH diagonal
_
o
2
1|
0
o
12,|
o
2
2|
_
=
_
C
11
0
C
12
C
22
__
C
11
C
12
0 C
22
_

_

11
0
0
22
__
-
2
1,|1
-
1,|1
-
2,|1
-
1,|1
-
2,|1
-
2
2,|1
__

11
0
0
22
_

_
1
11
0
0 1
22
__
o
2
1|1
0
o
12,|1
o
2
2|1
__
1
11
0
0 1
22
_
es decir:
o
2
1|
= C
2
11

2
11
-
2
1,|1
1
2
11
o
2
1|1
o
12,|
= C
11
C
12

11

22
-
1,|1
-
2,|1
1
11
1
22
o
12,|1
o
2
2|
=
_
C
2
12
C
2
22
_

2
22
-
2
2,|1
1
2
22
o
2
2|1
La diferencia respecto al modelo VECH diagonal:
o
2
1|
= C
11

11
-
2
1,|1
1
11
o
2
1,|1
o
12,|
= C
12

12
-
1,|1
-
2,|1
1
12
o
12,|1
o
2
2|
= C
22

22
-
2
2,|1
1
22
o
2
2,|1
50
puede verse en los signos de los coecientes de las dos ecuaciones de las
varianzas, as como en el menor nmero de parmetros (7 frente a 0).
1.14.1 Factor GARCH models
Si consideramos un modelo factorial:
1 = A1 1
donde 1 es una matriz Tr: de T datos sobre : activos, A es Tr/, con
/ << :, es Tr: siendo cada columna , = 1, 2, ...., :, la rentabilidad en
exceso del activo ,. La matriz 1 es /r:, siendo su elemento (i, ,) la sensibilidad
del activo , al factor de riesgo i-simo, y 1 es una matriz Tr: de residuos.
Tomando varianzas:
\ - 1
0
\1
siendo \ la matriz de covarianzas de los factores, \ la matriz de covarianzas
de los activos, y donde hemos ignorado el componente de varianza especca
de cada activo. Esta expresin nos permite estimar, de manera aproximada,
la matriz de covarianzas de un amplio nmero de activos a partir de la matriz
de covarianzas de un nmero reducido de factores y la estimacin de las sensi-
bilidades de cada activo con respecto a cada factor. Si estimamos un modelo
GARCH multivariante para los factores, supuesto que su nmero sea reducido,
podemos aproximar:
\
|
- 1
0
\
|
1
Si los factores fuesen componentes principales, la tarea se simplica enorme-
mente, debido a la ausencia de correlacin entre ellos.
En [EII.4.7] se realiza un ejercicio con rentabilidades de acciones y con un
nico factor (el indice de mercado). Este modelo es excesivamente sencillo, con:
o
2
I|
= ,
2
I
o
2
|
o
I|
= ,
I
,

o
2
|
o
2
|
= . c(-
|1
)
2
,o
2
|1
Aunque las covarianzas varian en el tiempo, todas evolucionan con cor-
relacin igual a 1, y no tiene sentido calcular las correlaciones entre los activos
que implica el modelo. Podriamos incorporar betas estimadas mediante EWMA,
con lo que la correlacin sistemtica cambiara en el tiempo.
1.14.2 Orthogonal GARCH models
El modelo GARCH ortogonal (OGARCH) es una caso particular del anterior
cuando los factores son componentes principales. En tal caso:
51
1 = A\ =A - 1

\
0
donde A es la matriz de datos originales y 1 es la matriz de datos de los com-
ponentes principales, mientras que 1

tiene por columnas las correspondientes

a los componentes principales que hayamos escogido. La expresin de la derecha
es la representacin de los datos en funcin de los componentes principales, que
ya conocemos.
El modelo OGARCH es especialmente apropiado para representar una es-
tructura temporal de tipos, por la elevada correlacin que muestran entre ellos.
Tomando varianzas:
\
|
- \

\
|
\
0
donde \
|
es ahora una matriz diagonal. El modelo OGARCH requiere esti-
mar un GARCH univariante para cada variable. Como la matriz \
|
es siempre
denida positiva, la matriz \
|
denida por le modelo OGARCH tambin lo ser:
r
0
\
|
r = r
0
\

\
|
\
0
r = j
0
\
|
j
donde j = \
0
r.
Computacionalmente, este modelo es muy eciente. Al tender el horizonte
de prediccin a innito, las predicciones de la matriz de coviarianzas que resulta
del modelo OGARCH revertirn a los niveles de volatilidad medios, es decir, a
una matriz de covarianzas de largo plazo.
[Case Study 4.6.2]
1.15 Algunas aplicaciones de los modelos GARCH
Pricing path-dependent European options: [EII.4.8] muestra como valo-
rar una opcin Asitica utilizando un modelo GARCH. [EII.4.9] muestra
cmo valorar una opcin barrera a partir de un modelo GARCH para la
rentabilidad del activo subyacente.
Calibracin de parmetros del modelo GARCH a precios de opciones
VaR histrico, Monte Carlo VaR, VaR lineal analtico
Estimacin de sensibilidades cambiantes en el tiempo, por contraste al
clculo utilizando EWMA
Optimizacin de carteras: [EII.4.10]
1.16 Modelos de varianza condicional y medidas de volatil-
idad
Las estructuras 1CH tienen el atractivo de recoger, de modo bastante ade-
cuado, la agrupacin de episodios de alta volatilidad que se observa en series
temporales nancieras de alta frecuencia.
52
Foster y Nelson (1992) probaron que, incluso si la varianza no cambia a lo
largo de un mes, el procedimiento de utilizar promedios de rentabilidades diarias
al cuadrado como estimador de volatilidad es ineciente y sesgado. Parkinson
(1980) sugiri utilizar un estimador basado en los precios alto y bajo para aprox-
imar la varianza de un proceso de camino aleatorio continuo, lo que se demuestra
ms eciente que el uso de observaciones de nal de perodo. Otra alternativa
es el clculo de volatilidades implcitas a travs de la frmula de valoracin
de opciones de BS, pero si la varianza condicional del precio de la opcin es
cambiante en el tiempo, no es evidente qu se obtienen de dicha frmula. Day
y Lewis (1992) muestran que para opciones sobre el ndice burstil, un modelo
GARCH(1,1) simple para la varianza condicional del rendimiento implcito en el
ndice proporciona informacin estadsticamente signicativa, que es adicional
a las estimaciones de volatilidad implcita de BS. En esta misma lnea, Engle y
Mustaf (1992) probaron que ...
Buena parte de la investigacin reciente [Amin y Ng (1992), Heston (1993),
Hull y White (187), Melino y Turnbull (1990), Scott (1987) y Wiggins (1987)] se
ha destinado a desarrollar frmulas tericas de valoracin de opciones en pres-
encia de volatilidad estocstica. Aunque una expresin analtica de los precios
resultantes puede obtenerse slo en algunos casos relativamente sencillos, es gen-
eralmente cierto en todos ellos que cuanto ms voltil es el activo subyacente,
ms elevado es el precio resultante para la opcin.
1.16.1 Canina, L. y S. Figlewski: The informational content of im-
plied volatility
Review of Financial Studies,(1008)
En este trabajo se analiza la capacidad que tiene la volatilidad implcita
obtenida a partir de opciones sobre o\1100 para predecir la volatilidad futura
de dicho ndice. El inters del anlisis se basa en el hecho de que la volatilidad
implcita se interpreta, generalmente, como la prediccin del mercado acerca
del nivel de volatilidad futuro. Se encuentra que la capacidad de la volatilidad
implcita para predecir la volatilidad futura es mnima, tanto cuando se trabaja
con todas las opciones existentes (que garantizan una liquidez mnima y que no
incumplen las relaciones bsicas que deben satisfacer los precios de las opciones),
como cuando se trabaja con clases de opciones, segn su vencimeinto y su precio
de ejercicio.
Una posible explicacin de este resultado negativop sera la posible dicultad
para prever la volatilidad durante el perodo muestral analizado en el mercado
considerado. Sin embargo, cuando se utiliza la desviacin tpica anualizada
del logartimo de las rentabilidades del o\1100 sobre una ventana mvil de
60 das previos al momento de clculo de la volatilidad implcita, se encuentra
que esta medida de volatilidad histrica tiene cierta capacidad de prever la
volatilidad futura. La amplitud de la ventana considerada no es crtica en estos
resultados. Sin embargo, esta medida de volatilidad histrica incumple el test
de racio:a|idad de la prediccin.
En el trabajo se considera asimismo la posibilidad de que la volatilidad
53
implcita incorpore la informacin contenida en la volatilidad recientemente ob-
servada en el mercado, rechazando asimismo dicha hiptesis.
1.16.2 Day, T.E. y C.M. Lewis, Forecasting futures market volatil-
ity,
The Journal of Derivatives, winter 1993.
Se compara la capacidad predictiva de diversos mtodos para anticipar la
volatilidad del precio en el mercado de futuros sobre petrleo. Para ello, se
calcula la volatilidad condicional resultante de un modelo GARCH para el precio
del futuro sobre el barril de petrleo, as como la volatilidad implcita a partir
de opciones ca|| sobre dicho futuro.
Se encuentra que ambas medidas contienen cierta capacidad explicativa sobre
la volatilidad futura del precio del futuro. Se considera asimismo la posibilidad
de utilizar un modelo EGARCH, pero no se detecta evidencia de efectos asimtri-
cos en volatilidad. Como las volatilidades GARCH se calculan para cada uno
de los das que quedan entre el instante de valoracin y el vencimiento, dichas
predicciones deben consolidarse en un nico nivel de volatilidad asociado al da
de vencimiento de la opcin. En el trabajo se utiliza un promedio simple de
las volatilidades prevista para cada uno de dichos dias, pero es claro que po-
dran utilizarse otras alternativas. Cada da se estima el modelo GARCH con
una ventana mvil, se obtienen las previsiones para cada uno delos das desde
el ltimo contenido en la muestra hasta el vencimiento de la opcin, y se cal-
cula su promedio. Este procedimiento de ventana mvil permite generar una
serie temporal de prediccin GARCH de la volatilidad para el instante (da) de
vencimiento de la opcin.
La capacidad predictiva de una serie temporal de volatilidades se estima
mediante el ajuste de una regresin,
o
2
1,|+1
= /
0
/
1
o
2
J,|+1
j
|+1
donde o
2
1,|+1
denota la volatilidad realizada (observada) durante los pero-
dos desde que se calcula la prediccin hasta el vencimiento de la opcin, y o
2
J,|+1
es la prediccin de dicha volatilidad, calculada con informacin hasta el instante
t.
Las volatilidades GARCH y EGARCH incumplen la propiedad de reacional-
idad, mientras que las volatilidades implcitas satisfacen dicha propiedad. La
cuarta medida utilizada es una medida ingenua, pero sus resultados son peores
que los obtenidos con la volatilidad implcita. Una peculiaridad no discutida en
el trabajo es que el modelo GARCH que se utiliza es un modelo con componente
en media, siendo un G1CH(1, 1) ', mientras que el modelo EGARCH no
tiene tal componente, incorporando en cambio una estructura 1(1) en rentabil-
idad.
Se muestra asimismo que las predicciones extra-muestrales a partir de mod-
elos tipo GARCH no contienen informacin que no estuviese ya recogida en la
serie temporal de volatilidad implicita. Las predicciones que se obtienen lle-
vando a cabo ajustes de sesgo predictivo o combinando predictores no tienen un
54
comportamiento signicativamente mejor que la volatilidad implcita sin ajus-
tar.
Para calcular la volatlidad implcita se utiliza la tcnica de rbol binomial,
dado que las opciones sobre futuro de barril de petrleo permiten el ejercicio
anticipado, al ser opciones Americanas.
1.16.3 Day, T.E. y C.M. Lewis, Stock market volatility and the
information content of stock index options
Journal of Econometrics (1992), 52:267-287.
Este trabajo compara la capacidad predictiva de modelos GARCH y EGARCH
estimados para el ndice S&P100 acerca de la volatilidad futura del exceso de
rentabilidad ofrecido por el ndice. A pesar de disponer de observaciones di-
arias, el trabajo se lleva a cabo con rentabilidades semanales. Para evitar (a la
vez que estimar) posibles efectos dia de la semana, el estudio se realiza tanto
con los datos correspondientes a los mircoles, como con los correspondientes a
los viernes. Otra razn para ello es evitar la autocorrelacin existente en datos
diarios que, aparentemente surge por problemas de negociacin no simultnea
en el ndice (nonsynchronous trading). Se utilizan dos series de rentabilidad se-
manal: por un lado, las rentabilidades (sin ajustar), que se obtienen de los datos
de cierre; por otro, las estimaciones del nivel del ndice implcito en el precio de
opciones call sobre dicho ndice. Slo se reportan los resultados obtenidos con
la primera de las medidas.
Se eliminan los precios diarios de opciones con menos de 100 contratos de
negociacin, o aquellas cuyo precio a cierre de mercado diere sustancialmente
del precio de ejercicio (en ms de $15). Se eliminan asimismo las opciones
conprecio de mercado muy reducido (inferior a 0,25$), porque la horquilla bid-ask
es entonces un porcentaje muy elevado del precio de la opcin. Los dividendos
efectivamente pagados a posteriori se toman como proxy de las expectativas de
dividendos a recibir durante la vida de la opcin. Para estimar la volatilidad
implcita se utiliza la frmula Black-Scholes ajustada de una tasa constante de
dividendos.
Las predicciones obtenidas a partir de volatilidades condicionales deducidas
de modelos GARCH y EGARCH se comparan con la volatilidad implcita,
interpretada como estimador de la volatilidad del ndice a vencimiento de la
opcin.
Resumir los precios observados para todas las opciones negociadas sobre el
ndice en determinado momento requiere cierto trabajo estadstico. Si denota-
mos por C
|
(o
0
(t)) el precio terico de una opcin con tiempo a vencimiento t
y precio de ejercicio indicado por /, dada una estimacin o
0
(t) de la volatili-
dad de la rentabilidad del ndice hasta el instante de vencimiento de la opcin,
construimos la funcin objetivo,
1
r
=

|=1
[c
|r
(C
|r
C
|
(o
0
(t)))[
2
55
donde c
|r
denota la proporcin del volumen de negociacin que se lleva a
cabo en opciones con vencimiento t que corresponde al contrato con precio de
ejercicio /, y
r
es el nmero de precios de ejercicio diferentes de opciones con
vencimiento t. Por tanto, la funcin de prdida anterior se asocia al vencimiento
t.
En cada iteracin, la nueva estimacin de la volatilidad viene dada por,
o (t) = o
0
(t)
_
(\A)
0
(\A)

1
(\A)
0
(\1 )
siendo \ la matriz diagonal
r
r
r
que tiene por elementos el porcentaje
de volumen de negociacin en las opciones call con vencimiento t en cada uno
de los precios de ejercicio negociados, A es un vector
r
r1 que contiene las
derivadas parciales de los precios de las opciones call respecto de la volatilidad
del subyacente, o
0
(t) . Por ltimo, 1 es un vector
r
r1 cuyos elementos son
las diferencias entre precios tericos, calculados con la estimacin o
0
(t) dela
volatilidad, y los precios de mercado.
La volatilidad histtica con cuyas realizaciones se comparan las predicciones
de volatilidad se calcula de dos maneras diferentes: a) mediante el cuadrado de
la rentabilidad semanal, y b) mediante la varianza de las rentabilidades diarias,
multiplicada por el nmero de dias de negociacin en dicha semana.
Los resultados apuntan a que la volatilidad implcita contiene informacin
no contenida en la volatilidad condicional que se deriva de los modelos GARCH
y EGARCH. Se obtiene asimismo el resultado dual: la volatilidad condicional
que surge de los modelos GARCH y EGARCH contiene informacin adicional
a la incorporada en la volatilidad implcita. Por tanto, ambas deben combinarse
al predecir la volatilidad futura del ndice. La volatilidad condicional obtenida
a partir del modelo EGARCH no contiene informacin signicativa que no est
ya incorporada en la volatilidad condicional del modelo GARCH.
Se utiliza un procedimientoo de ventanas mviles, al igual que en el trabajo
anterior, para obtener predicciones de volatilidad a partir de modelos GARCH
y EGARCH. Las estimaciones de estos modelos parecen ser insesgadas, al con-
trario de lo que ocurre con las volatilidades implcitas. Sin embargo, la volatili-
dad semanal parece difcil de predecir, y los ajustes entre prediccin de volatili-
dad y volatilidad observada futura no presentan valores muy altos del estadstico
1
2
. Los modelos GARCH parecen ofrecer mejores resultados que los modelos
EGARCH.
1.16.4 Engle, R.F., y C. Mustafa: Implied ARCH models from
option prices:
Estimacin de los procesos estocsticos que para la volatilidad de un activo se
deducen de los precios de las opciones que tienen a dicho activo como subya-
cente. Se supone que dicha volatilidad responde a una representacin del tipo
GARCH. Se propone estimar el modelo GARCH mediante un procedimiento
de minimizacin de los cuadrados de los errores en precio; para ello, partiendo
de unas pre-estimaciones para los parmetros del modelo GARCH, se obtiene
56
por simulacin el precio de la opcin, y se compara con su precio de mercado.
Inicialmente, se toma como funcin objetivo la suma de los cuadrados de las
diferencias en precio, que se minimiza, iterando en el espacio de parmetros
GARCH. La propuesta se generaliza en la forma de un mtodo de mnimos
cuadrados generalizados, ponderando los errores cometidos en el precio de cada
opcin de manera inversa a la precisin con que se calcula su precio terico.
Conocer la persistencia de la volatilidad es importante para los agentes que
operan en un mercado de derivados, en el que estarn dispuestos a pagar un
precio ms alto poropciones de largo plazo si perciben que los shocks actuales
en volatilidad son altos y permanentes, en relacin con la vida residual de la
opcin.
Se obtiene que la persistencia de los shocks de volatilidad que se obtiene en
el modelo que se inere a partir de precios de opciones del o\100es similar
a la que se estima a partir de datos histricos sobre el ndice. Sin embargo,
la persistencia despus del crash burstil de 19 Octubre 2987 se estima como
signicativamente ms dbil.
1.16.5 Noh, J., R.F. Engle, y A. Kane, Forecasting volatility and
option prices of the S&P500 index
Journal of Derivatives, (1994), 17-30.
Este trabajo compara la capacidad de la volatilidad implcita, con la de
la volatilidad condicional, paraanticipar la volatildad futura de la rentabilidad
ofrecida por el ndice o\100. La comparacin se efecta mediante la gestin de
una cartera de straddles, llevada a cabo utilizando las predicciones de volatilidad
proporcionadas por ambos mtodos.
El modelo GARCH se supone que rep resenta la volatilidad condicional
del error de un modelo 1(1) para la rentabilidad del ndice o\100. En el
modelo de volatilidad condicional se incorpora una correccin por el nmero de
dias naturales transcurridos entre dos das sucesivos de negociacin.
Los procedimientos para resumir en una nica medida de volatilidad las
predicciones dle modelo GARCH, as como para trabajar con todas las op-
ciones negociadas, son los mismos que se han expuesto para otros trabajos.
Una aportacin de este trabajo es obtener predicciones de volatilidad implcita
mediante relacioens lineales de la misma sobre sus valores previos, obtenidos
tanto a partir de opciones put como de opciones call, de la rentabilidad pasada
del mercado, y de 2 variables cticias que tratan de incorporar el efecto da de
la semana que se ha observado en volatilidad los lunes y viernes.
Se construyen straddles con al menos 15 dias hasta vencimiento, y una nego-
ciacin mnima de 100 contratos diarios. Se considera cada da el straddle con
precio de ejercicio ms cercano al ndice o\100. Se usa el tipo de inters en
Letras del Tesoro a un mes de vencimiento como tipos de inters sin riesgo. Si
la prediccin del precio del straddle es superior al precio de mercado, se compra
dicho straddle. En caso contrario, se vende. Invertimos $100 en el contrato ms
at-the money. Cuando se vende un straddle, se invierte el dinero en el activo
sin riesgo.
57
En sucesivas repeticiones del ejercico de simulacin, se aplican ltros, com-
prando o vendiendo nicamente si la diferencia entre precio terico y precio de
mercado es superior a $0,05 o $0,25 sin que esto afecte al resultado fundamental,
que es que las predicciones de volatilidad del modelo GARCH generan benecios
signicativos, superiores a los costes de transaccin.
1.16.6 French, K.R., G.W. Schwert, y R.F. Stambaugh, Expected
stock returns and volatility
Journal of Financial Economics (1987), 19, 3-29.
En este trabajo se examina la relacin entre rentabilidades de activos de
renta variable, y la volatilidad del mercado. Se encuentra evidencia favorable a
lque la prima de riesgo esperada (denida como diferencia entre la rentabilidad
esperada de una determinada cartera de renta variable y la rentabilidad ofrecida
por una cartera de letras del Tesoro), depende positivamente del componente
predecible de la volatilidad de la rentabilidad del activo de renta variable.
Se encuentra asimismo una relacin negativa entre el componente no antici-
pado de la rentabilidad del mercado y el cambio no anticipado en la volatilidad
de la rentabilidad. Este resultado proporciona evidnecia indirecta a favor de
una relacin positiva entre primas de riesgo y volatilidad.
1.17 Referencias
1.17.1 Libros:
Mills, T.C., The econometric modelling of nancial time series, Cambridge U.
Press, 1993
Taylor, S., Modelling nancial time series, Wiley, Nueva York, 1986.
Novales, A., Econometra, McGraw-Hill, 1993, 1996.
Campbell, J.Y., A.W. Lo, y A.C.MacKinlay, The Econometrics of nancial
markets, Princeton U. Press, 1997.
1.17.2 Artculos:
Bollerslev, T., R.F. Engle y J.M. Wooldridge, A capital asset pricing model with
time-varying covariances, Journal of Political Economy, 96, 1, 116-132, 1988.
Engle, R.F. y M. Rothschild, ARCH models in Finance, Journal of Econo-
metrics, 52, 5-59, 1992.
Bollerslev, T., R.F. Engle y D.B. Nelson, ARCH models, The Handbook of
Econometrics, vol.4, captulo 11, 1994.
Ruiz, E., Modelos para series temporales heterocedsticas,Cuadernos econmi-
cos de ICE, 1994.
Engle, R.F., T. Ito, y W.L. Lin, Meteor showers or heat waves? Het-
eroskedastic intra daily volatility in the foreign exchange market, Econometrica,
58, 525-542, 1990.
Engle,R. y T.Bollerslev, 1986, Modelling the persistence of conditional vari-
ances, Econometric Reviews, 5, 1-50.
58
Bollerslev,T., R.Y.Chou y K.F.Kroner, 1992, ARCH modeling in nance:
A review of the theory and empirical evidence, Journal of Econometrics, 52,
5-59.
Engle, R.F., 1982, Autoregressive conditional heteroskedasticity with esti-
mates of the variance of U.K. ination, Econometrica, 50, 987-1008.
Engle, R.F., D.Lilien y R.Robins, 1987, Estimating time varying risk premia
in the term structure: the ARCH-M model, Econometrica, 55, 391-408.
Engle, R.F., 1982, Autoregressive conditional heteroskedasticity with esti-
mates of the variance of UK ination, Econometrica, 50, 4.
Bollerslev, T., 1986, Generalized autoregressive conditional heteroskedastic-
ity, Journal of Econometrics, 31.
1.17.3 1
o
Parte: Estructura temporal de volatilidades. Evidencia
emprica desde los mercados.
Bessembinder, Coughenour, Seguin, Smoller: Is there a term structure of
volatilities? Reevaluating the Samuelson hypothesis, The Journal of Deriv-
atives, winter 1996, 45-58.
Heynen, Kemna, Vorst, Analysis of the term structure of implied volatili-
ties, The Journal of Business, v.29, 1994,
Xu y Taylor, The term structure of volatility implied by foreign exchange
options, Journal of Financial and Quantitative Analysis, 1994.
1.17.4 2
o
Parte: Transmisin de volatilidades entre mercados
Koutmos y Tucker, Temporal relationships and dynamic interactions between
spot and futures stock markets, Journal of Futures Markets, 1996
Iihara, Hato y Tokunaga, Intraday return dynamics between the cash and
futures markets in Japan, Journal of Futures Markets, 1996
1.17.5 3
o
Parte: Implicaciones para la cobertura de carteras.
Myers, Estimating time-varying optimal hedge ratioson futures markets, Jour-
nal of Futures Markets, 1991.
Engle y Chowdhury, Implied ARCH models from option prices, Journal
of Econometrics, 1992.
Noh, Engle y Kane, Forecasting volatility and option prices of the S&P 500
index, Journal of Derivatives, 1994.
Lien y Luo, Multiperiod hedging in the presence of conditional heteroskedas-
ticity, Journal of Futures Markets, 1994
59